ABD5931

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
Ministère de l'Enseignement Supérieur et de la Recherche Scientifique
UNIVERSITE MENTOURI DE CONSTANTINE

FACULTÉ DES SCIENCES DE L'INGÉNIEUR
DÉPARTEMENT D'ÉLECTRONIQUE
THESE
Présentée pour obtenir le diplôme de
DOCTORAT EN SCIENCES
Spécialité : ELECTRONIQUE
Option : ELECTRONIQUE
Par :
ABDELLICHE Fayçal
THEME
CONTRIBUTION AU DIAGNOSTIC DES SIGNAUX ELECTROCARDIOGRAPHIQUES

EN UTILISANT LES CONCEPTS DES FRACTALES
Devant le Jury :
Président M. Khamadja Professeur, Université de Constantine
Rapporteur A. Charef Professeur, Université de Constantine
Examinateurs A. Bennia Professeur, Université de Constantine
Y. Ferdi Professeur, Université de Skikda
A. Goutas Maître de Conférence "A", Université de Skikda
Année : 2011
Dédicaces
A ma glorieuse Nation,
A mes parents,
A ma femme et mes beaux-parents,
A mes frères, mes sœurs, mes belles-sœurs, mes beaux-frères,
A mes nièces et mes neveux,
A tous mes amis,
A tous ceux qui travaillent pour que cette Nation soit meilleure.
Remerciements
Cette thèse est l'occasion pour moi de remercier toutes les personnes qui ont contribué à ce
travail ainsi que celles que j'ai pues rencontrer durant ces années d'études.
Tout d'abord, je tiens à exprimer toute ma profonde reconnaissance au Professeur Abdelfatah
Charef pour m'avoir proposé ce sujet de thèse passionnant qui m'a permis de me former dans
le domaine de la recherche biomédicale. Je le remercie, aussi, de toujours m'avoir proposé de
nouvelles idées de qualité pour mon travail. Je le remercie, également, de m'avoir témoigné de
sa confiance et de son aide scientifique. Sans lui, la thèse n'aurait jamais vu le jour.
Je tiens à exprimer ma gratitude aux personnes qui ont accepté de juger ce travail :
Je remercie Monsieur le Professeur Mohamed Khamadja, de l'université de Constantine, qui
m'a fait l'honneur d'accepter de présider le jury ;
Monsieur le Professeur Abdelhak Bennia, de l'université de Constantine, a accepté de me
consacrer son temps en jugeant cette thèse. J'en suis honoré et je l'en remercie sincèrement ;
Je remercie également Monsieur le Professeur Youcef Ferdi, de l'université de Skikda, qui a
bien accepté de juger ce travail de thèse ;
Je remercie le Docteur Ahcène Goutas, de l'université de Skikda, qui a bien accepté d'être
membre du jury et de juger cette thèse ;
Je tiens également à exprimer ma plus vive reconnaissance à mon ami le Docteur Khaled
Mesghouni, du laboratoire LAGIS de l'école centrale de Lille, pour m'avoir accueilli et
accepté que je puisses travailler durant les mois de ma thèse au sein de son laboratoire.
J'adresse mes plus vifs remerciements à mon ami Larbi Koreïchi pour m'avoir invité pendant
mes séjours à Paris. Qu'il trouve ici l'expression de ma reconnaissance.
Je remercie aussi toute l'équipe du laboratoire de traitement du signal, équipe système, pour
leurs aides, serviabilités et leurs encouragements.
Mes remerciements du fond du cœur vont à ma famille qui a su me donner, sans cesse, son
soutien, son amour et l'envie d'apprendre encore plus. Je ne manquerai pas de remercier ma
très chère femme pour son soutien et son aide dans les moments difficiles. Elle était et
continuera d'être, je le sais, un soutien sans faille.
Enfin, merci à tous ceux qui m'ont aidé de près ou de loin durant ces années de recherche et
d'études, un grand merci à tous mes amis et très spécialement mon petit ami Zakaria.
Table des matières
Table des matières
Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
Liste des figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Liste des tableaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
Introduction Générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2. Objectif du travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3. Plan de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Chapitre 1 : Electrophysiologie cardiaque 6

1.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Anatomie du cœur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. Activité mécanique du cœur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1. Trajet sanguin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2. Battement cardiaque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4. Activité électrique du cœur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1. Fonction électrique du cœur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.2. Tracé électrique du cœur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.3. Définition d'un battement cardiaque standard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.4. Fréquence cardiaque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.5. Rythme cardiaque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5. Electrocardiographie de surface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1. Dérivations standard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1.1. Dérivations bipolaires des membres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1.2. Dérivations unipolaires des membres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
ii
Table des matières
1.5.1.3. Dérivations thoraciques (précordiales) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.5.2. L'ECG normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.2.1. Durées des déflexions et intervalles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.2.2. Amplitude des déflexions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.3. Tracé Holter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.4. Artefacts visibles sur l’ECG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6. Troubles du rythme et de la conduction cardiaque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Chapitre 2 : Les ondelettes : définitions et propriétés 24

2.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2. Transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3. Transformée en ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.1. Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.2. Quelques propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2.1. Sélectivité en fréquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2.2. Similarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2.3. Symétrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.2.4. Orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.2.5. Régularité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.2.6. Nombre de moments nuls . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.2.7. Facteur d'échelle minimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.2.8. Lien entre la fréquence et l'échelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.3. Transformée en ondelettes continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.3.1. Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.3.2. Reconstruction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.4. Transformée en ondelettes discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.5. Transformée en ondelettes orthogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.6. Maxima du module de la transformée en ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.7. Scalogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
iii
Table des matières
2.4. Botanique des familles d'ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.4.1. Tableaux synoptiques des familles usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.2. Ondelettes sans filtres, réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.2.1. Chapeau mexicain : mexh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.2.2. Ondelette de Morlet : morl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.4.2.3. Ondelettes gaussiennes : gausN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.4.3. Ondelettes sans filtres, complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4.3.1. Ondelettes gaussiennes complexes : cgauN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4.3.2. Ondelettes de Morlet complexes : cmorNb-Nc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4.3.3. Ondelettes B-splines fréquentielles complexes : fbspNm-Nb-Nc . . . . . . . . . . . . . 43
2.4.4. Ondelettes orthogonales à support compact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4.4.1. Ondelettes de Daubechies : dbN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4.4.2. Les Symlets : symN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.4.3. Les Coiflets : coifN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.5. Ondelettes biorthogonales à support compact : biorNrNd . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.6. Ondelettes orthogonales à support non compact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.6.1. Ondelette de Meyer : meyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.7. Choix de l'ondelette . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Chapitre 3 : Introduction aux ondelettes fractionnaires 50

3.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2. Modeler et construire une ondelette . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.1. Ondelettes fractionnaires réelles : coleN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.2. Ondelette fractionnaire complexe : ccol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3. Exemples d'applications dans l'analyse des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.1. Repérer une discontinuité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.3.1.1. Signal rectangulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.3.1.2. Signal triangulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3.2. Détecter une singularité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
iv
Table des matières
3.3.3. Repérer les complexes QRS de l'ECG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

3.4. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Chapitre 4 : Ondelettes fractionnaires pour la détection du complexe QRS 69

4.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.2. Principe des détecteurs du complexe QRS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2.1. Pré-processeur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2.2. Règle de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.2.1. Seuil adaptatif en amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.2.2. Seuil adaptatif en temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.2.3. Période réfractaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3. Etat de l'art sur la détection du complexe QRS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.4. Validation et caractérisation des algorithmes de détection . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4.1. Base de données MIT-BIH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4.1.1. Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4.1.2. Fichiers de la base MIT-BIH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4.2. Paramètres d'évaluation des performances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.5. Détection du complexe QRS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.5.1. Filtrage par transformation en ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.5.1.1. Choix du paramètre m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.5.1.2. Sélection des échelles de décomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.5.2. Transformation non linéaire : produit multi-échelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.5.3. Prise de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.6. Applications de l'algorithme de détection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.6.1. Première application : ondelette réelle cole2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.6.1.1. Prétraitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.6.1.2. Règle de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.6.1.3. Résultats, discussion et comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.6.2. Deuxième application : ondelettes réelles cole2 et cole1 . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.6.2.1. Prétraitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
v
Table des matières

4.6.3. Troisième application : ondelette complexe ccol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.6.3.1. Prétraitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.6.4. Discussion et comparaison avec d'autres algorithmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.7. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

1. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
2. Perspectives et suggestions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
vi
Liste des figures
Liste des figures
1.1. Coupe schématique du cœur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.2. Propagation de l'impulsion dans le cœur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
.1.3.
... Tracé électrique du cœur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
.1.4. Description d'un battement cardiaque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
.1.5.
. Disposition des électrodes des dérivations bipolaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
.1.6.
. . . .Triangle
. . . . . . . . d'Einthoven
. . . . . . . . . . . . .. .. .. .. .. .. .. .. .. .. .. .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
15
.1.7. Circuit utilisé pour l'acquisition des dérivations augmentées . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
.1.8.
. . . .Position
. . . . . . . . des
. . . .électrodes
...... pour les dérivations unipolaires précordiales . . . . . . . . . . . . . . . . . . . 16
.1.9.
. . . .Signal
. . . . . . ECG
. . . . . .avec
. . . . .bruit
. . . . .musculaire
.... ................................................... 20
.1.10. Signal ECG avec mouvements de la ligne de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
.1.11.
. . . . .Signal
. . . . . . .ECG
.. perturbé par le secteur (50 Hz) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
.1.12.
. . . . .Fibrillation
... ventriculaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
.2.1.
.. Pavage temps-fréquence pour la transformée de Fourier à fenêtre glissante . . . . . . . . . . . . . 27
2.2. Ondelette avec différents facteurs d’échelles
(de gauche à droite : a < 1, a = 1 et a > 1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
.......
2.3. Ondelette avec différents facteurs de position b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
.2.4.
. . . .Pavage
. . . . . . temps fréquence pour la transformée en ondelettes pour
deux facteurs d'échelle a2 < 1 < a1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
..........
2.5. Maximum local, minimum local et point d'inflexion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
.2.6.
. . . .Ondelette
. . . . . . . . . .chapeau
. mexicain : mexh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.7. Ondelette de Morlet : morl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
.2.8.
. . . .Ondelette dérivée huitième d’une fonction gaussienne : gaus8 . . . . . . . . . . . . . . . . . . . . . . . . . 41
.2.9.
. . . .Ondelette
. dérivée huitième d’une fonction gaussienne complexe : cgau8 . . . . . . . . . . . . . . . 42
.2.10.
. . . . .Ondelette
. . . . . . . . . .de
. Morlet complexe associée à Nb = 1,5 et Nc = 1 : cmor1.5-1 . . . . . . . . . . . . . . 43
.2.11.
. . . . .Ondelette
...... B-spline fréquentielle complexe associée à
Nm = 2, Nb = 1 et Nc = 0,5 : fbsp2-1-0.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
...........
vii
Liste des figures
2.12. Fonction d’échelle (à gauche) et ondelette (à droite) de Haar : haar . . . . . . . . . . . . . . . . . . . 45

.2.13.
. . . . .Ondelettes
. . . . . . . . . . .de
. . .Daubechies
...........: dbN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
.2.14. Les symlets : symN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
.2.15.
.. Les coiflets : coifN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
.2.16. Ondelettes biorthogonales : biorNrNd . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 48
.2.17.
. . . . .Ondelette
...... de Meyer : meyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
.3.1.
. Distribution de Cole-Cole pour différentes valeurs de m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
.3.2.
. .. . (a)
. . . Fonction
.. de Cole-Cole. (b), (c) et (d) ondelettes cole1, cole2 et cole3
(dérivées 1ère, 2ème et 3ème respectivement) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
.......
3.3. Ondelette fractionnaire complexe de Cole-Cole associée à
m = 0.8 et fc = 0,5 : ccol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
................
3.4. Analyse continue avec l'ondelette mexh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
.3.5.
... Analyse continue avec l'ondelette cole2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
.3.6.
... Analyse continue avec l'ondelette cmor1-1.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
.3.7.
. . . .Analyse
.... continue avec l'ondelette ccol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
.3.8.
.. Analyse continue avec l'ondelette gaus1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
.3.9.
. . . .Analyse continue avec l'ondelette cole1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
.3.10.
... Analyse continue avec l'ondelette cmor1-1.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
.3.11.
. . . . .Analyse
.... continue avec l'ondelette ccol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
.3.12.
... Analyse continue avec l'ondelette mexh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
.3.13.
.... Analyse continue avec l'ondelette cole2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
.3.14.
.... Analyse continue avec l'ondelette cmor1-1.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
.3.15.
. . . . .Analyse
.... continue avec l'ondelette ccol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
.3.16.
... Analyse continue de l'ECG avec l'ondelette mexh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 65
.3.17.
... Analyse continue de l'ECG avec l'ondelette cole2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
.3.18.
. . . . .Analyse continue de l'ECG avec l'ondelette complexe cmor1-1.5 . . . . . . . . . . . . . . . . . . . . 66
.. ...
3.19. Analyse continue de l'ECG avec l'ondelette complexe ccol . . . . . . . . . . . . . . . . . . . . . . . .. . . 66
.3.20.
. Transformée en ondelettes du signal ECG pour a = 2 et a = 32 (gaus2) . . . . . . . . . . . . . . . 67
.3.21.
. .. . . Transformée
..... en ondelettes du signal ECG pour a = 2 et a = 32 (cole2) . . . . . . . . . . . . . . . . 67
.4.1.
.. . . Schéma
... d'un détecteur du complexe QRS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
......
viii
Liste des figures
4.2. Densité spectrale de puissance de l'ECG et de ses différentes composantes . . . . . . . . . . . . . 72

.4.3.
.. . . Calcul
. du seuil adaptatif en amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
.4.4. Calcul du seuil adaptatif en temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
.4.5. Signal ECG normal avec des ondes R de grande amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
.. . . . Signal
4.6. ECG avec onde T d'amplitude importante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
.4.7.
. . . .Variations
........ du rapport signal sur bruit (SNR) en fonction de m
pour trois enregistrements 105, 203 et 208 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
.......
4.8. Spectre d'amplitude de l'ondelette pour les échelles 21, 22, 23, 24 et 25 . . . . . . . . . . . . . . . . . . 83
.4.9.
. . . .Exemple
.. de produit multi-échelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
.4.10. (a) signal ECG : 100.dat, (b) et (c) sa transformée en ondelettes (cole2)
pour 23 et 24, (d) signal STC (maxima du module du produit multi-échelle) . . . . . . . . . . . 89
...........
4.11. (a) signal ECG : 101.dat, (b) et (c) sa transformée en ondelettes (cole2)
...........
...........
...........
4.14. Exemple de détection du complexe QRS (100.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
.4.15.
. . . . .Exemple
.... de détection du complexe QRS (101.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
.4.16.
. . . . .Exemple
.4.17.
. . . . .Exemple
.4.18.
. . . . .(a)
. . . signal
. ECG : 100.dat, (b) maxima du module du produit multi-échelle
pour 2 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1) . . . . . . . . . . . . . . . 96
3
.............
4.19. (a) signal ECG : 101.dat, (b) maxima du module du produit multi-échelle
.............
.............
.............
ix
Liste des figures
.............
.............
4.29. (a) signal ECG : 100.dat, (b) et (c) parties réelles de TOC(ECG)
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
..........
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
..........
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
..........
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
..........
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
..........
pour 23 et 24 (ccol) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
..........
.4.36.
. Exemple de détection du complexe QRS (102.dat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
.4.37.
.4.38.
.4.39.
..
x
Liste des tableaux
2.1. Liste des familles d'ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

.2.2.
. . . .Principales
. propriétés des familles d'ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
.4.1.
. . . .Bande
. passante et fréquence centrale de l'ondelette pour
les échelles 21, 22, 23, 24 et 25 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
......
4.2. Résultats de la détection du complexe QRS testée sur la base MIT-BIH.
Première application : ondelette cole2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
...
Deuxième application : ondelettes cole1 et cole2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
.....
Deuxième application : ondelettes gaus1 et gaus2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
....
4.5. Comparaison des résultats de la détection pour
les enregistrements 105, 108, 203 et 208 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
......
Troisième application : ondelette complexe ccol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
.......
Troisième application : ondelette complexe cmor1-0.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
......
4.8. Comparaison des résultats de la détection pour
les enregistrements 105, 108, 203 et 208 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
.......
4.9. Comparaison des performances des algorithmes de détection proposés avec celles
citées dans la littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
......
4.10. Comparaison des performances des algorithmes de détection pour
les enregistrements 105 et 108 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
.....
xi
Introduction générale
Introduction Générale
1
1. Introduction
Les maladies cardiovasculaires constituent un problème majeur de santé publique. Le

cœur est l’organe central du système cardiovasculaire : il peut être affecté de nombreuses
pathologies qui peuvent soit être bénignes, comme certaines tachycardies par exemple, soit
s’avérer très sérieuses, comme l’infarctus du myocarde.
L'électrocardiogramme (ECG) est un signal qui représente les variations de l'activité
électrique du cœur en fonction du temps. Ce signal peut être enregistré à partir de la peau par
un matériel de détection : les électrodes. L'analyse automatique de l'ECG permet une étude
détaillée qui aide au diagnostic des dysfonctionnements du cœur.
L'extraction des événements caractéristiques des signaux consiste à détecter les éléments qui
les composent. De l'électrocardiogramme, on peut chercher à détecter et classer les différentes
ondes qui le composent ainsi que les intervalles temporels entre les ondes. Les techniques
appliquées couvrent un large champ du traitement du signal. Elles vont de la transformation
non linéaire [1-2] aux réseaux de neurones [3-4] en passant par l'analyse fréquentielle par
bancs de filtres [5-6], par ondelettes [6-11] ou par des procédés stochastiques et de la logique
floue [4, 12]. Ces traitements fournissent une description des signaux qui peut être
directement utilisée pour le raisonnement médical.
Le complexe QRS est l'onde de l'ECG la plus convoitée par les algorithmes d'analyse
automatique. C'est l’onde la plus dominante de l’ECG. Il est lié au fonctionnement
ventriculaire et a été abondamment étudié. La détection du complexe QRS est d’une
importance capitale dans les systèmes de traitement automatique de l’ECG. En effet, une fois
les pics R identifiés, la fréquence cardiaque peut être calculée, différents temps et amplitudes
du cycle cardiaque peuvent être mesurés et repérer, ainsi, les anomalies. Les difficultés de la
détection de QRS sont dues, essentiellement, à la présence, dans l’ECG, de bruits d’origines
diverses, ainsi qu'à la grande variabilité de la forme du signal, d'un individu à l'autre, et même
chez le même sujet, d'un cycle à un autre. Une séparation entre signal ECG et bruit devient,
dans ce cas, nécessaire. Mais, cette séparation devient problématique lorsque le bruit est trop
important ou trop difficile à distinguer des signaux physiologiques. C'est pourquoi, lorsqu'on
se trouve dans un cas multivoie redondant, il est préférable de sélectionner les voies non
contaminées par le bruit [13]. Les ondes P et T de grandes amplitudes peuvent, également,
avoir des caractéristiques semblables à celles des complexes QRS et affectent, ainsi, la
détection.
2
De nombreux algorithmes de détection existent dans la littérature [14-20]. La méthode

classique de Pan et Tompkins [2], améliorée par la suite par Fokapu et al [21] présente
l’avantage de la simplicité et de la rapidité d’exécution. Toutefois, elle ne donne pas de bons
résultats pour certains signaux bruités ou dans le cas des formes particulières de l’ECG. Dans
le cas des ECG fortement bruités, Le Page [22] a utilisé un filtrage par ondelettes préservant
la forme de l’ECG et permettant d’appliquer ensuite la méthode de Pan et Tompkins. Pour le
cas de forme particulière d’ECG, il a utilisé les chaînes de maxima pour une localisation
approximative des QRS.
En général, l’opération de détection est réalisée en deux étapes : un pré-processeur et une
règle de décision [23]. Le pré-processeur fournit des suites d’impulsions qui seront classées
comme des complexes QRS ou du bruit. Ce pré-processeur peut être constitué d'une
dérivation non entière, d'un filtrage passe-bande, d'un filtrage non linéaire, de réseaux de
neurones ou d'une transformation en ondelettes. Dans le but d'accentuer ou d'amplifier les pics
R, cette étape comprend, aussi, une transformation non linéaire (élévation au carré, dérivation,
etc.) afin de réduire l'influence du bruit résiduel et des ondes P et T. La deuxième étape
consiste en une prise de décision selon des critères de seuillage [24].
La transformée de Fourier constitue une référence inévitable pour toute application ayant trait
au domaine du traitement du signal. Elle permet d'explorer la composition fréquentielle du
signal et par ses propriétés de lui appliquer des opérations de filtrage. Mais, la transformation
en ondelettes a été aussi utilisée très tôt dans le domaine du traitement du signal ; elle avait
pour objectif de fournir un intermédiaire entre une analyse purement temporelle d'un signal et
une analyse purement fréquentielle. Cette transformation fournit une description du signal
dans le domaine temps-échelle, permettant ainsi la représentation des caractéristiques d'un
signal à des résolutions différentes. L'ondelette est généralement une fonction oscillante de
moyenne nulle qui dépend de deux paramètres a et b : l'un représente un changement d'échelle
et l'autre représente une translation temporelle. Une famille d'ondelettes ψa,b(t) est obtenue par
des translations (en changeant le paramètre b) et des dilatations (en changeant le paramètre
d'échelle a) d'une ondelette mère ψ(t). Les paramètres de translation et de dilatation de la
transformée en ondelettes permettent de localiser l'information dans un signal en la
représentant à différents niveaux allant d'une approximation grossière et globale à des
représentations plus précises et plus localisées. Pour cette raison, cette technique s'avère très
utile pour l'analyse de l'ECG, qui est caractérisé par des ondes localisées en temps ayant des
composantes fréquentielles diverses. De plus, les différents types de bruit affectant l'ECG
3
apparaissent à des bandes fréquentielles apparentes, et ont donc différentes contributions à des
échelles diverses [7]. Sous son aspect de filtre passe bande, les ondelettes sont utilisées pour
éliminer le bruit. Elles représentent, donc, un bon outil d'analyse et de traitement du signal
ECG en vue d'une détection des complexes QRS.
2. Objectif du travail
L’objectif de notre travail est d'employer la distribution de Cole-Cole pour la conception

d'ondelettes fractionnaires réelles et complexes. La fonction de Cole-Cole est largement
utilisée dans la modélisation mathématique des diélectriques. Elle représente la distribution
des temps de relaxation dans l’approximation du pôle à puissance fractionnaire (PPF) [25].
Ces ondelettes fractionnaires sont conçues par une simple dérivation ou par modulation de la
distribution de Cole-Cole. L'algorithme de traitement du signal ECG et de détection du
complexe QRS que nous avons développé repose sur l'emploi de la transformée en ondelettes
continue utilisant ces ondelettes fractionnaires. Le fait d'utiliser différentes échelles va
permettre de travailler dans des bandes de fréquences les plus favorables à la détection des
QRS, tout en ayant filtré une partie du bruit. Une bonne détection des complexes QRS
nécessite un traitement du signal plus élaboré. Le caractère de filtre passe bande de l'ondelette
lui confère une bonne position dans le prétraitement de l'ECG. Les signaux ECG utilisés, en
pratique, sont issus de la base de données MIT/BIH Arrhythmia Database qui comporte 48
enregistrements échantillonnés à 360 Hz de durée 30 minutes chacun et utilisant deux
dérivations pour chaque patients [26]. Les performances des algorithmes sont mesurées en
termes de non détection, fausse alarme et détection correcte [23].
3. Plan de la thèse
Les travaux réalisés, faisant l'objet de cette thèse, sont présentés et exposés en quatre
chapitres.
Le premier chapitre est consacré à une introduction de l'électrophysiologie du cœur.
Le deuxième chapitre interprète les définitions de la transformée en ondelettes et les

propriétés des ondelettes les plus connues en privilégiant les aspects liés au traitement du
signal.
4
Les ondelettes fractionnaires construites sont introduites en troisième chapitre. Il donne un

aperçu sur la définition de ces ondelettes, la méthode de construction et quelques applications
en analyse des signaux en offrant des exemples de comparaison avec les ondelettes déjà
existantes.
Le quatrième chapitre traite de la détection du complexe QRS dans le signal ECG. Trois
applications sont adoptées : la première utilise une ondelette fractionnaire réelle dérivée
deuxième de la fonction de Cole-Cole, la deuxième emploie cette même ondelette
fractionnaire associée à l'ondelette dérivée première de Cole-Cole et la troisième application
concerne l'ondelette fractionnaire complexe. L'utilisation d'autres ondelettes similaires
permettra d'envisager une comparaison partielle des résultats afin de juger de la qualité de ces
ondelettes proposées. Les signaux tests choisis sont issus de la base de données MIT-BIH et
une comparaison globale est effectuée en utilisant les résultats des algorithmes existant dans
la littérature et utilisant cette même base de données.
Enfin, une conclusion générale fait part des principaux résultats de cette thèse et les
perspectives de cet ouvrage de recherche.
5
Chapitre 1 Electrophysiologie cardiaque
Chapitre 1
Electrophysiologie Cardiaque
6
1.1. Introduction
Le système cardiovasculaire assure la circulation du sang dans l’organisme et permet

ainsi son alimentation en oxygène et en nutriments. Le cœur, l’élément central du système
cardiovasculaire, est un muscle fonctionnant comme une pompe, il propulse le sang à travers
l’organisme via deux types de vaisseaux : les artères et les veines. Le fonctionnement du cœur
se base sur la succession temporelle d'évènements mécaniques et électriques complexes,
régulés d'une manière dynamique. La représentation des potentiels électriques dus aux
courants électriques qui circulent dans le cœur est appelée électrocardiogramme (ECG). Ce
signal peut être enregistré à partir de la peau par un matériel de détection : les électrodes.
1.2. Anatomie du coeur
Le cœur est un organe musculeux d’environ 250 à 350 grammes ayant une forme
pyramidale triangulaire. Il est formé de trois parois de l’intérieur vers l’extérieur :
l’endocarde, le myocarde et le péricarde. Il est situé dans la partie centrale du thorax, décalé
du coté gauche, entre la deuxième et la cinquième côte [27]. Il est cloisonné en deux parties
droite et gauche qui ne présentent pas de communication entre elles. Ces deux cœurs se
composent eux-mêmes de deux cavités : une oreillette aux parois fines et un ventricule aux
parois épaisses (Fig. 1.1).
1.3. Activité mécanique du coeur
Le cœur est une pompe qui irrigue l'organisme de sang. Ce phénomène mécanique est
périodique, il se manifeste en quatre phases : le remplissage, la contraction (systole), l'éjection
et le relâchement (diastole).
1.3.1. Trajet sanguin

Il existe deux circulations :
• La petite circulation ou circulation pulmonaire, qui permet de se recharger en dioxygène
et d’éliminer le dioxyde de carbone, elle comprend la partie droite du cœur.
7
• La grande circulation qui permet d’irriguer les autres organes, elle comprend sa partie
gauche.
Fig. 1.1. Coupe schématique du cœur.
8
1.3.2. Battement cardiaque

Une révolution cardiaque, c’est-à-dire un battement du cœur, comprend : une phase de
contraction permettant l’éjection du sang et une phase de remplissage. Le circuit du sang lors
d’une révolution peut se diviser en plusieurs étapes :
• le sang entre par une veine dans l’oreillette (période de diastole) et passe ensuite par
l’intermédiaire d’une valve auriculo-ventriculaire ouverte dans le ventricule ;
• l’oreillette entre en systole et éjecte le sang restant dans sa cavité dans le ventricule ;
• l’oreillette se relâche et reste en diastole jusqu’au début de la révolution suivante ;
• le ventricule entre en systole, la valve auriculo-ventriculaire se ferme (premier bruit
entendu au stéthoscope) en même temps, la valve, entre le ventricule et l’artère, s’ouvre
permettant l’éjection du sang vers les poumons ou l’ensemble des organes selon si c’est le
ventricule gauche ou droit ;
• à la fin de la systole ventriculaire, la valve artérielle se ferme (deuxième bruit cardiaque) ;
• le sang revient ensuite au cœur par les veines caves et pulmonaires.
Ces étapes s’effectuent simultanément dans les cœurs gauche et droit. Le temps de la diastole
est en général 2,5 fois plus grand que le temps de la systole [27-29]. Ce cycle dure à peine une
seconde et fait appel à un mécanisme très compliqué basé sur les différences de pression dans
les cavités cardiaques, qui provoquent l'ouverture ou la fermeture des différentes valves et
permettent l'éjection ou le remplissage de sang [27-29].
1.4. Activité électrique du cœur

1.4.1. Fonction électrique du cœur
Le fonctionnement du cœur est automatique. Comme pour tous les muscles du corps, la
contraction du myocarde est provoquée par la propagation d’une impulsion électrique le long
des fibres musculaires cardiaques induite par la dépolarisation des cellules musculaires. Elle
prend naissance dans la partie haute de l'oreillette droite dans la région dite "nœud sinusal
SA" (a) puis se propage dans les oreillettes (b) entraînant leur contraction (systole
auriculaire). L’impulsion arrive alors au nœud auriculo-ventriculaire (AV), seul point de
passage électrique entre les oreillettes et les ventricules, une courte pause est alors introduite
(c), juste avant la propagation dans les fibres constituant le faisceau de His. Au passage de
l’impulsion électrique (d), les ventricules se contractent à leur tour (systole ventriculaire) (e).
9
Après la diastole (décontraction du muscle), les cellules se repolarisent (f) (Fig. 1.2). Ainsi,
Le cycle du battement cardiaque est terminé et le cœur est près pour un nouveau battement.
1.4.2. Tracé électrique du cœur

Le battement cardiaque peut être suivi grâce à l’enregistrement en surface du signal
électrique qui l’accompagne. En effet, chaque phase du battement possède une marque
électrique particulière. Dans la plupart des cas, on peut discriminer de manière rapide
l'empreinte d’une contraction auriculaire de celle d'une contraction ventriculaire [27].
L’impulsion initiale qui vient du nœud SA, non visible sur l’ECG, se propage dans les
oreillettes entraînant leurs contractions (Fig. 1.3). Elle laisse la trace d’une petite déflexion
positive sur l’ECG : l’onde P (a). L’impulsion arrive alors au noeud auriculo-ventriculaire
(AV), où se produit la courte pause se traduisant sur l’ECG par un petit segment plat. Elle
emprunte, ensuite, les voies de conductions rapides (faisceau de His) entraînant une
contraction rapide et brève des ventricules. Celles-ci dessinent sur l'ECG une suite de trois
ondes appelées complexe QRS (b). L’onde Q est la première : c’est une onde dirigée vers le
bas, qui n’est pas toujours visible sur le tracé ; la seconde est l’onde R : elle est de grande
amplitude et dirigée vers le haut ; la dernière est dirigée vers le bas : c’est l’onde S. Après
chaque complexe QRS, il se produit une pause puis apparaît l'onde T. Cette pause est le
segment ST, dont l’étude est très importante pour l’identification de certaines pathologies [27-
28]. L’onde T représente la phase de repolarisation des ventricules qui les rend de nouveau
stimulables (Fig. 1.3). Les oreillettes ont également une onde de repolarisation qui est très
petite, habituellement masquée par le complexe QRS et donc non observée.
1.4.3. Définition d'un battement cardiaque standard

L’ECG est enregistré sur un papier millimétré. Le temps, en seconde, est représenté sur
l'axe horizontal (1 mm pour 0,04 s) ; les déflexions, en mV, sont représentées sur l'axe vertical
(1 mm pour 0,1 mV). La ligne de base du tracé ECG est la ligne isoélectrique du cœur au
repos qui est prise comme référence. Les différentes ondes et les intervalles les séparant, ont
permis de dresser le standard ECG (Fig. 1.4). Un battement cardiaque est caractérisé par [27] :
• Onde P : dépolarisation des oreillettes. Sa durée est de l’ordre de 90 ms. C'est une onde
positive dont l'amplitude est normalement inférieure ou égale à 0.2 mV ;
• Complexe QRS : dépolarisation des ventricules. Sa durée normale est comprise entre 85 et
95 ms. Toute onde supplémentaire, positive ou négative, sera appelée R', S', R", etc.
10
Fig. 1.2. Propagation de l'impulsion dans le cœur.
Fig. 1.3. Tracé électrique du cœur.
11
• Onde T : repolarisation des ventricules. Son amplitude est inférieure à 2 mV. L'onde T
normale a une amplitude plus faible que le complexe QRS ;
• Onde U : repolarisation des fibres de Purkinje. C'est une onde positive qui suit l'onde T,
visible essentiellement en quelques signaux ECG, dont la signification est discutable ;
• Intervalle RR : fréquence des battements cardiaques. Il correspond au délai entre deux
dépolarisations ventriculaires. C'est cet intervalle qui permet de calculer la fréquence
cardiaque ;
• Segment PR : pause du noeud AV. Le segment PR correspond au délai entre la fin de la
dépolarisation des oreillettes et le début de celle des ventricules. C'est le temps pendant lequel
l'onde de dépolarisation est bloquée au niveau du nœud AV. Il se mesure de la fin de l'onde P
jusqu'au début du QRS. Sa durée est de 0,03 à 0,04 seconde ;
• Intervalle PR : durée de conduction auriculo-ventriculaire. L'intervalle PR correspond au
délai entre le début de la dépolarisation des oreillettes et celle des ventricules. C'est le temps
de propagation de l'onde de dépolarisation jusqu'aux cellules myocardiques ventriculaires ;
• Intervalle QT : durée de systole ventriculaire. Cet intervalle correspond au début de
l'excitation des ventricules jusqu'à la fin de leur relaxation ;
• Segment ST : durée de stimulation complète des ventricules. Il correspond à la phase
pendant laquelle les cellules ventriculaires sont toutes dépolarisées, le segment est alors
isoélectrique.
1.4.4. Fréquence cardiaque

La fréquence cardiaque est le nombre de contractions ventriculaires par unité de temps.
Elle est exprimée en battement par minute (bat/min). Elle est en moyenne de 60 bat /min. Elle
augmente durant l’inspiration et diminue durant l’expiration. La fréquence cardiaque de repos
correspond à la fréquence cardiaque relevée après un repos complet en position allongé
pendant environ 10 minutes. On estime qu’une fréquence cardiaque de repos supérieure à 80
bats/min est pathologique.
1.4.5. Rythme cardiaque

Le rythme d’un tracé normal est sinusal, toutes les ondes P sont identiques, tous les
QRS sont identiques, après chaque onde P se trouve un QRS. Il est modifié par l’émotion, la
peur, la colère, l’effort physique et l’état physiologique de l’organisme. Le rythme cardiaque
et la respiration sont parfaitement synchronisés pour obtenir les meilleures performances en
12
circulation sanguine et distribution d'oxygène dans l'organisme. Cela engendre moins de

pertes d'énergies lors de la réalisation d'activités, qu'elles soient physiques ou intellectuelles.
Fig. 1.4. Description d'un battement cardiaque.
13
1.5. Electrocardiographie de surface
Le corps humain étant électriquement conducteur, les potentiels d'actions générés lors de
l'activité électrique cardiaque peuvent alors être recueillis par des électrodes placées sur la
peau. Chaque paire d'électrodes constitue une dérivation. L'enregistrement de cette activité
électrique du cœur, sur un plan frontal (par les dérivations des membres) et sur un plan
horizontal (par les dérivations précordiales), est un électrocardiogramme (ECG).
Les électrodes peuvent être utilisées selon deux modes : l'un dit bipolaire où le potentiel d'une
électrode est soustrait à un autre, et l'autre dit unipolaire où le potentiel d'une électrode est pris
par rapport à un point de référence (la masse). Ces électrodes doivent être convenablement
disposées et adaptées au circuit adjacent pour détecter le signal ECG qui change de
morphologie en fonction de ces positions.
Toute activité électrique se dirigeant vers l'électrode est enregistrée par une déflexion positive
et toute activité s'en éloignant est enregistrée par une déflexion négative. Enfin, Les
différentes positions sont normalisées [27-28].
1.5.1. Dérivations standard

L'ECG est un enregistrement de surface de l'activité électrique du cœur par des électrodes
reliées à un électrocardiographe qui amplifie le signal électrique. Les tissus se trouvant entre
le cœur et les électrodes parasitent le signal, le tracé électrocardiographique n'est donc qu'une
estimation de l'activité électrique générée par le cœur. L'ECG standard est enregistré sur 12
dérivations : six dérivations des membres et six thoraciques ou précordiales.
1.5.1.1. Dérivations bipolaires des membres

Les dérivations bipolaires sont désignées par DI, DII et DIII. Elles explorent l’activité
cardiaque dans le plan frontal. Les trois électrodes sont placées respectivement : au bras droit
pour R, au bras gauche pour L et à la jambe gauche pour F (Fig. 1.5). Ce système de référence
est schématisé par un triangle équilatéral dit triangle d’Einthoven, dont les sommets
représentent les localisations des électrodes (Fig. 1.6). On considère que tous les vecteurs
résultants instantanés ont pour origine commune le centre du triangle équilatéral et on
recueille leurs projections sur les côtés de ce triangle en mesurant les différences de potentiel
entre ses sommets.
14
D1
D2 D3
Fig. 1.5. Disposition des électrodes des dérivations bipolaires.
Fig. 1.6. Triangle d'Einthoven.
1.5.1.2. Dérivations unipolaires des membres

En 1934, Wilson introduit les dérivations unipolaires. Dans ce cas, on mesure la
différence de potentiel entre un point de référence et chacun des points R, L et F. Dans le
système, dit de Wilson, ce point de référence, appelé "borne centrale de Wilson", est virtuel, il
est supposé demeurer à un potentiel invariable et de valeur pratiquement nulle.
Goldberger propose, en 1942, les "dérivations unipolaires augmentées des membres" (aVR,
aVL, aVF). Celles-ci permettent d’obtenir des signaux de plus grande amplitude que ceux du
15
système de Wilson. Ces dérivations mesurent la différence de potentiel entre chacun des trois
points et le potentiel moyen des deux autres. On obtient ainsi des déflexions augmentées d’un
facteur 1,5 par rapport aux dérivations de Wilson (Fig. 1.7).
Fig. 1.7. Circuit utilisé pour l'acquisition des dérivations augmentées.
1.5.1.3. Dérivations thoraciques (précordiales)

En 1935, Kossman propose les dérivations unipolaires précordiales (V1 à V6) (Fig. 1.8).
Ces six dérivations unipolaires parcourent transversalement la région précordiale antérieure et
latérale gauche. Elles correspondent à la mesure de différence de potentiel entre chaque
électrode et la borne centrale de Wilson.
1 2
3
4 5 6
Fig. 1.8. Position des électrodes pour les dérivations unipolaires précordiales.
16
1.5.2. L'ECG normal

Pour l'ECG normal, les valeurs des paramètres, couramment constatées chez un adulte en
bonne santé, sont présentées comme suit.
1.5.2.1. Durées des déflexions et intervalles

Les déflexions se mesurent au moment précis où elles quittent la ligne isoélectrique
jusqu'au moment où elles la retrouvent définitivement. La valeur normale de la durée des
déflexions et des intervalles est la suivante :
- Onde P : inférieure ou égale à 0.11 s ;
- Onde Q : inférieure à 0.04 s ;
- Complexe QRS : inférieure à 0.1 s ; habituellement entre 0.06 et 0.08 s ;
- Intervalle PR : entre 0.12 et 0.2 s ; sa durée varie inversement par rapport à la fréquence
cardiaque ;
- Intervalle QT : varie de la même façon que la fréquence cardiaque ;
- Onde T : sa durée moyenne est de 0.2 s.
1.5.2.2. Amplitude des déflexions

Le voltage des déflexions positives (négatives) se mesure du bord supérieur (inférieur) de
la ligne isoélectrique jusqu'au sommet de l'onde positive (négative) :
- Onde P : inférieure à 2.5 mm en DII ; inférieure à 2 mm en V1 et V2 ;
- Complexe QRS : on résume les amplitudes comme suit :
Plan frontal Plan horizontal

R (DI) < 1,5 mV R (V1) ≤ 0,5 mV
R (DII) < 2,3 mV R (V6) ≤ 2,5 mV
R (DIII) < 1,8 mV R (V1) ≤ 2,0 mV
R (aVL) < 1,2 mV R (V2) ≤ 2,5 mV
R (aVF) < 2,1 mV
Le rapport R/S doit rester :

< 1 en V1 et V2
< 2 en V6
17
- Onde Q : inférieure à 3 mm en V5 et V6 et, généralement, inférieure à 25% de l'onde R

qui la suit quelle que soit la dérivation ;
- Onde T : inférieure à 5 mm en V6.
1.5.3. Tracé Holter

En pratique, la durée de l'ECG à 12 dérivations peut varier de quelques secondes à
quelques minutes. Il permet le diagnostic et la localisation précise de certaines pathologies qui
laissent des traces permanentes comme, par exemple, des zones du myocarde déficientes à la
suite d’un infarctus. En revanche, la courte durée de cet examen est un obstacle à la détection
systématique de pathologies qui apparaissent de manière sporadique, comme certains troubles
du rythme par exemple.
C’est pourquoi, Norman Holter proposa, au début des années 60, un appareil "portatif"
permettant d’enregistrer l’activité cardiaque pendant plusieurs heures ; cet archivage constitue
ce que l’on appelle "l’examen Holter" [30]. L’enregistreur Holter se présente sous la forme
d’un petit boîtier auquel sont reliées sept électrodes, permettant ainsi l’enregistrement sur 2 ou
3 dérivations (2 frontales et 1 transversale). Le patient se fait poser l’appareil chez un
cardiologue et retourne ensuite à ses occupations habituelles. 24 heures plus tard, il revient
chez le cardiologue pour se faire enlever l’appareil qui a en mémoire 24 heures
d’enregistrements ECG effectués tandis que le patient a vécu une journée normale. Les
résultats issus de l’analyse des quelques 100000 battements que compte l’enregistrement
permettent ainsi de diagnostiquer une plus grande gamme de pathologies.
En outre, la longueur de l’enregistrement autorise par exemple le suivi du rythme cardiaque
durant les phases diurne et nocturne. L’examen Holter est de plus en plus prescrit ; depuis
quelque temps, la communauté des cardiologues commence à envisager des enregistrements
Holter de très longues durées : 1 mois par exemple, ce qui correspond à plus de 2 millions de
battements enregistrés.
1.5.4. Artefacts visibles sur l’ECG

Les artefacts désignent tout signal indésirable enregistré simultanément avec l'ECG par
les électrodes. Ce sont des évènements indésirables pouvant brouiller le tracé et, parfois,
induire en erreur le diagnostic final. Ces bruits sont reconnaissables par l'œil expérimenté qui
les identifie avant d'effectuer son diagnostic. Ils peuvent avoir des origines diverses :
18
mouvements du patient, mauvaise technique de l’opérateur, des défauts mécaniques de

l’appareil. Les artefacts les plus courants sont :
- Artefacts de mouvement : ce sont des changements transitoires de la ligne isoélectrique
(ligne de base) suscités par l'impédance entre l'électrode et la peau.
- Contractions musculaires (EMG) : ces bruits sont dus à l'activité électrique des muscles.
L'aspect, le plus courant sur l'ECG, est une oscillation à haute fréquence liée à la tension
musculaire du patient, qui n'est pas convenablement détendu, mais qui peut noyer les ondes P
et T et empêcher, ainsi, un diagnostic fiable (Fig. 1.9).
- Mauvais contact électrode-peau : c'est un trouble dû à un mauvais contact entre
l'électrode et la peau ; ce qui provoque, sur le tracé ECG, des sauts brusques de la ligne de
base.
- Bruit respiratoire : lors de l'enregistrement de l'électrocardiogramme, l'activité
respiratoire peut faire osciller la ligne de base de l'ECG à basse fréquence et à un rythme
régulier (Fig. 1.10).
- Bruit dû au secteur : le réseau de distribution électrique peut parfois brouiller le signal
électrocardiographique avec une onde dont l'harmonique principale est à 50 Hz. Ce type de
bruit apparaît sur tout l'enregistrement et peut être assez fort mais il s'élimine facilement avec
un filtre sélectif car c'est un bruit haute fréquence à bande étroite (Fig. 1.11).
D’autres artefacts, moins fréquents, peuvent provenir de la saturation des instruments de
mesure, du mauvais déroulement du support magnétique, d’une position incorrecte des
électrodes (déformation de l’amplitude), d’une mauvaise connexion entre les fils conducteurs
et les électrodes (inversion du schéma de l’électrocardiogramme), ainsi que de certaines
maladies généralisées.
1.6. Troubles du rythme et de la conduction cardiaque
Les dysfonctionnements du cœur peuvent avoir différentes origines et conséquences. Ils

sont dus à une anomalie de la génération de l'excitation cardiaque ou à des anomalies de la
conduction de cette excitation [27-28]. L'ECG est le meilleur outil pour diagnostiquer ces
pathologies. Dans l'analyse de l'ECG, les pathologies ou anomalies sont détectées et classées
en fonction de leur déviation par rapport au rythme normal qu'est le rythme sinusal. Chaque
déviation visible sur l'ECG peut être attribuée à une anomalie physiologique.
19
Amplitude (mV)
Temps (s)
Fig. 1.9. Signal ECG avec bruit musculaire.
Amplitude (mV)
Temps (s)
Fig. 1.10. Signal ECG avec mouvements de la ligne de base.
20
Amplitude (mV)
Temps (s)
Fig. 1.11. Signal ECG perturbé par le secteur (50 Hz).
Ainsi, les blocs cardiaques sont dus à un défaut de conduction de l'onde de dépolarisation à
travers le myocarde et les arythmies sont générées par un foyer ectopique prenant le relais ou
supplantant le noeud sinusal. Ces pathologies ne sont pas exclusives, un patient peut être
atteint d'arythmies et de blocs cardiaques.
- Blocs cardiaques : ils sont dus à une rupture de conduction du myocarde différencié qui
altère la dépolarisation du myocarde. Ces ruptures peuvent être plus ou moins sévères :
freinantes (allongement du temps de parcours), intermittentes (un stimulus sur 2 ou 3 est
conduit) ou complète (aucune conduction). On peut citer : le bloc sino-auriculaire (bloc SA),
les blocs auriculo-ventriculaires (BAV) et les blocs de branche qui sont dus au blocage de la
dépolarisation dans une des branches du faisceau de His. Un bloc dans l'une ou l'autre branche
provoque un retard dans la dépolarisation du ventricule auquel elle appartient. La
dépolarisation des ventricules est désynchronisée et le complexe QRS est élargi.
- Arythmies : elles relèvent de l'entrée en jeu d'un foyer ectopique qui se situe dans
n'importe quelle portion du cœur et dont la localisation peut être auriculaire, jonctionnelle
(entre oreillettes et ventricules) ou ventriculaire. On peut mentionner les arythmies
supraventriculaires : tachycardie supraventriculaire (TSV), fibrillation auriculaire (FA) et les
21
arythmies ventriculaires : arythmie extrasystolique, tachycardies ventriculaires (TV) et

fibrillation ventriculaire (FV) qui est la cause principale de mort subite à cause des
contractions complètement anarchiques des ventricules aboutissant très rapidement à une
inefficacité cardio-circulatoire qui est mortelle en l'absence de manoeuvres de réanimation
(Fig. 1.12).
Amplitude (mV)
Temps (s)
Fig. 1.12. Fibrillation ventriculaire.
22
1.7. Conclusion
Dans ce chapitre, on a exposé la construction anatomique et le fonctionnement de cœur,

élément central du système cardiovasculaire, qui permet l’alimentation en oxygène et en
nutriments des organes. Composé, principalement, de quatre cavités : deux oreillettes et deux
ventricules, leurs contractions successives peuvent être suivies depuis la surface du corps par
des électrodes, collées à la peau, qui mesurent l’activité électrique des fibres musculaires
cardiaques. Cet examen non invasif s’appelle l’électrocardiogramme (ECG) quand il est
effectué pendant quelques minutes à l’hôpital, et l’examen Holter lorsqu’il est effectué sur 24
heures. L’analyse de ces enregistrements permet, à elle seule, de diagnostiquer un grand
nombre de pathologies et de les localiser.
23
Chapitre 2 Les ondelettes : définitions et propriétés
Chapitre 2
Les Ondelettes : Définitions et Propriétés
24
2.1. Introduction
La transformée de Fourier (1822) représente une référence inévitable pour toute

application ayant trait au domaine du traitement du signal. Elle permet d'explorer la
composition fréquentielle du signal et par ses propriétés de lui appliquer des opérateurs de
filtrage. Très tôt dans l'histoire du traitement du signal, il est apparu que cette décomposition
de Fourier n'était pas toujours satisfaisante et la première transformation en ondelettes (le nom
n'est pas encore utilisé) est proposée par Haar 1910. La transformée en ondelettes remplace la
sinusoïde de la transformée de Fourier par une famille de translations et dilatations d'une
même fonction, l'ondelette. Les paramètres de translation et de dilatation permettent de
localiser l'information dans un signal en la représentant à différents niveaux de détails allant
d'une approximation grossière et globale à des représentations plus précises et plus localisées
[31-34]. En ce chapitre, on propose un tour d'horizon qui se concentre sur les ondelettes et
leurs applications en privilégiant les aspects liés au traitement du signal.
2.2. Transformée de Fourier
Les formules d'analyse et de synthèse de la transformée de Fourier pour un signal x(t)

sont données par :
+∞
Analyse : X(ω) = ∫ x(t )exp(− jωt )dt
−∞
(2.1)
+∞
1
2π −∫∞
Synthèse : x (t ) = X(ω) exp( jωt )dω (2.2)
Mais, l’analyse de Fourier propose une approche globale du signal, les intégrations sont faites
de moins l’infini à plus l’infini, et les aspects temporels de x(t) disparaissent dans X(ω). Les
parties transitoires des signaux sont quasiment impossibles à détecter à l'aide de X(ω). La
première solution qui vient naturellement à l’esprit est de limiter le domaine d’intégration
temporel à l’aide d’une fonction "fenêtre" que l’on pourra glisser pour localiser l'information
dans le signal ; on obtient ainsi la transformée de Fourier à fenêtre glissante (TFFG) [31-34] :
25
+∞
X(τ, ω) = ∫ x(t )g(t − τ)exp(− jωt )dt
−∞
(2.3)
où x est le signal à analyser et g une fonction "fenêtre" appropriée centrée sur τ. En fait, cette
intégrale effectue le calcul de la transformée de Fourier de la portion du signal x(.)g(.-τ) à τ
fixé, ses coefficients indiquent la valeur de la fréquence f du signal x(t) à l'instant τ. Malgré
cela, ces derniers ne peuvent décrire le contenu du signal strictement à l'instant τ et à la
fréquence f, car la fenêtre d'analyse g(t-τ) est caractérisée par sa localisation en temps
(mesurée par ∆t) et sa localisation en fréquence (mesurée par ∆f). Une localisation temps-
fréquence idéale, infiniment précise (∆t = 0 et ∆f = 0) est interdite par le principe d'incertitude
d'Heisenberg [35], qui stipule que la résolution conjointe temps-fréquence est bornée
inférieurement :
1
∆t ⋅ ∆f ≥ (2.4)
4π
Gabor [34] a montré que seules les fenêtres dont l'enveloppe est gaussienne, qui porte le nom
de gaborettes, vérifient l'égalité :
1
∆t ⋅ ∆f = (2.5)
4π
L'espace de représentation, appelé plan temps-fréquence, est donc pavé de cellules

élémentaires dont la forme ne varie ni avec le temps ni avec la fréquence (Fig. 2.1). La
résolution fréquentielle de la TFFG reste, en particulier, constante quelle que soit la fréquence
analysée.
Or, Cette approche n'est pas pleinement satisfaisante à cause du choix de la fenêtre utilisée
(Hanning, Hamming, Gauss, …) et plus précisément du choix de sa largeur qui va
compromettre la notion de résolution (temporelle et fréquentielle) et de stationnarité du signal.
Si nous employons une fenêtre de longueur infinie, nous obtenons la TF qui donne la
résolution parfaite de fréquence, mais aucune information du temps. En outre, afin d'obtenir
une stationnarité, nous devons avoir une fenêtre assez étroite, dans laquelle le signal est
stationnaire.
26
f1 ∆f
∆t
f0 ∆f
∆t
t0 t1 t
Fig. 2.1. Pavage temps-fréquence pour la transformée de Fourier à fenêtre glissante.
Plus nous rendons la fenêtre étroite plus la résolution de temps est meilleure, et plus
l‘hypothèse de stationnarité est meilleure, mais plus pauvre la résolution de fréquence. De ce
fait, le constat qui découle de tout ceci est qu'il faut faire varier la taille de la fenêtre d'analyse
pour pouvoir agir pour toute une gamme de résolutions temporelles simultanément. C'est
justement le principe de la transformation en ondelettes.
2.3. Transformée en ondelettes
La décomposition en ondelettes, ou l'analyse temps-échelle, a été développée comme une

approche alternative à la TFFG pour surmonter le problème de résolution et la non
stationnarité des signaux [31]. L'analyse par ondelettes est faite d'une manière semblable à
l'analyse de la TFFG, en un sens, que le signal est multiplié par une fonction, ondelette
(wavelet), semblable à la fonction fenêtre dans la TFFG, et la transformation est calculée
séparément pour différents segments du signal dans le domaine temporel.
2.3.1. Définitions
Soit ψ une fonction choisie suffisamment régulière et bien localisée. Cette fonction ψ est
appelée ondelette si elle vérifie la condition d'admissibilité suivante [31] :
27
2
+∞
Ψ (ω)
Cψ = ∫
−∞
ω
dω < +∞ (2.6)
Où Ψ désigne la transformée de Fourier de ψ. La condition d'admissibilité implique en outre

que la transformée de Fourier de l'ondelette à la fréquence du continu (pour ω = 0) doit être
nulle. Soit,
Ψ (ω) ω=0 = 0 (2.7)
Ceci suppose, en particulier, deux conséquences importantes :

- la première est que les ondelettes doivent posséder un spectre de type passe-bande,
- la seconde apparaît en réécrivant l'équation (2.7) de façon équivalente sous la forme :
+∞
∫ ψ(t ) dt = 0
−∞
(2.8)
et montre que l'ondelette doit être à moyenne nulle. C'est une condition suffisante
d'admissibilité beaucoup plus simple à vérifier. L'ondelette est donc une fonction à largeur
temporelle finie (fenêtre temporelle) possédant un caractère oscillatoire. On est donc bien en
présence d'une petite onde : une ondelette.
Cette condition minimale est souvent renforcée en exigeant que l'ondelette ait (m + 1)
moments nuls, c'est-à-dire, vérifie l'équation :
+∞
∫ t ψ(t ) dt = 0
k
pour k = 0,…,m. (2.9)
−∞
Pour fixer les idées, disons qu'une ondelette oscille, pendant un certain temps, comme une
onde et se localise grâce à un amortissement. L'oscillation d'une ondelette se mesure par le
nombre de moments nuls qui nous indiquent que l'information du signal peut être concentrée
dans quelques coefficients d'ondelettes, cet aspect est utile dans la compression et la détection
des singularités.
28
A partir de cette unique ondelette ψ (appelée ondelette mère), on construit par translation et
dilatation, une famille de fonctions qui sont les atomes de base (souvent appelées ondelettes
filles), elles sont de forme constante, mais de taille variable (Fig. 2.2 et 2.3) :
1 t−b
ψ a ,b (t ) = ψ  (2.10)
a  a 
Avec a ∈ IR+*: facteur d’échelle, b ∈ IR : paramètre de translation.
Fig. 2.2. Ondelette avec différents facteurs d’échelles

(de gauche à droite : a < 1, a = 1 et a > 1).
Fig. 2.3. Ondelette avec différents facteurs de position b.
29
Ces fonctions définissent l'espace bidimensionnel dans lequel l'information du signal est
représentée comme le plan temps-échelle [33]. Quand l'échelle augmente, le support temporel
de l'ondelette croît, tandis que le support fréquentiel décroît inversement :
∆t ψ a = a ⋅ ∆t ψ
(2.11)
∆f ψ a = ∆f ψ a
Chaque atome se représente symboliquement sur le plan temps-fréquence, par un rectangle

dont l'abscisse est l'intervalle temporel et l'ordonnée est l'intervalle fréquentiel. L'aire des
rectangles qui couvrent le plan temps-échelle est ainsi préservée :
∆t ψ ⋅ ∆f ψ = ∆t ψ ⋅ ∆f ψ
a a
(2.12)
Mais, ceux-ci se déforment et s'allongent le long de l'axe des temps et des fréquences (Fig.
2.4). Ce mécanisme représente la richesse de l'analyse temps-échelle. Il permet, à une échelle
petite, de réaliser un examen temporel précis du signal correspondant aux fréquences hautes.
Bien au contraire, les basses fréquences sont scrutées avec une très forte résolution
fréquentielle, mais, leurs instants d'occurrence sont moins précis.
2.3.2. Quelques propriétés

2.3.2.1. Sélectivité en fréquence
Dans l'analyse de Fourier, la fonction analysante est une sinusoïde de fréquence précise,
et quand on la multiplie par le signal, le coefficient obtenu ne se réfère qu'à cette fréquence.
En revanche, une ondelette est constituée d'un mélange de fréquences. Les coefficients
d'ondelettes se réfèrent à ce mélange de fréquences. Plus la gamme de fréquence de l'ondelette
est étroite, plus l'ondelette est sélective en fréquence.
2.3.2.2. Similarité
Toutes les ondelettes qui appartiennent à la même famille doivent être similaires, c’est à
dire se déduire les unes des autres par combinaison linéaire de translations et de dilatations.
30
pour un facteur d'échelle a2 < 1 < a1 contraction en temps

f a1∆t
dilatation en fréquence
f1 ∆f/a1
dilatation en temps
f0 ∆f/a2 contraction
en fréquence
a2∆t
t0 t1 t
Fig. 2.4. Pavage temps fréquence pour la transformée en ondelettes

pour deux facteurs d'échelle a2 < 1 < a1.
.
2.3.2.3. Symétrie
On souhaite parfois que l'ondelette présente des propriétés de symétrie temporelle afin
d'éviter le déphasage dans la transformée en ondelettes [36].
2.3.2.4. Orthogonalité
Cette propriété est à l'origine de la popularité des ondelettes qui offrent des bases
d'ondelettes orthogonales et non redondantes. Cela conduit à une décomposition unique [36].
2.3.2.5. Régularité
Une ondelette doit être suffisamment régulière car c'est la principale contribution des
ondelettes dans le domaine du codage. Elle agit sur la qualité de la reconstruction du signal. Une
ondelette est dite régulière si elle est très lisse et on peut l'approximer localement par un
polynôme. L'ordre de régularité d'une ondelette est égal au nombre de ses moments nuls [36].
31
2.3.2.6. Nombre de moments nuls

Pour certaines applications, les ondelettes doivent également avoir un certain nombre de
moments nuls, afin d’éliminer la partie polynomiale du signal et être ainsi plus sensible aux
fluctuations les moins régulières [36].
2.3.2.7. Facteur d'échelle minimal

Théoriquement le facteur d'échelle, a, qui est strictement positif, peut varier jusqu'à +∞.
En pratique, Il convient de se fixer un nombre de points de discrétisation minimum, Nmin, de
telle sorte que les valeurs discrètes de l'ondelette soient représentatives de sa forme continue.
Soit amin le facteur d'échelle minimum, alors : amin = Nmin / N.
avec Nmin : nombre d'échantillons minimal de ψa(t)
N : nombre d'échantillons de l'ondelette mère ψ(t).
2.3.2.8. Lien entre la fréquence et l'échelle

Si f0 est la fréquence centrale de l’ondelette mère ψ(t), les autres ondelettes ψa,b(t)
oscillent à la fréquence f = f0/a. D’où l’identification : a = f0/f.
2.3.3. Transformée en ondelettes continue

2.3.3.1. Analyse
La transformée en ondelettes remplace la sinusoïde de la transformée de Fourier par une
famille de translations et dilatations d'une même fonction, l'ondelette. Pour un signal x(t)
d'énergie finie, on définit sa transformée en ondelettes continue par la fonction WT(a,b) [31] :
+∞
WT(a , b ) = ∫ x(t )ψ (t )dt
*
a ,b (2.13)
−∞
Le signal x(t) est alors décrit par ses coefficients d'ondelettes WT(a,b) qui mesurent les
fluctuations, à l'échelle "a", du signal x(t). L'ondelette ayant été déplacée pour être centrée sur
b, qui est le point autour duquel l'analyse se fait, a est le paramètre d'échelle qui décide de la
finesse de l'analyse ; plus a est grand, plus ψa(t) est dilatée, donc plus l'analyse se fait sur une
large zone de x(t). Ainsi, de par ses propriétés de dilatation-contraction et de translation, la
transformée en ondelette est caractérisée dans le plan temps-échelle par une fenêtre dont la
32
largeur diminue lorsqu'on se focalise sur les structures de petite échelle (hautes fréquences) ou
s'élargit lorsqu'on s'intéresse au comportement à grande échelle (basses fréquences). Cette
capacité d'adaptation en fonction de l'échelle d'analyse lui a valu la dénomination de
"microscope mathématique". On peut voir la transformée en ondelettes continue comme un
produit de convolution pour une échelle "a" fixée :
+∞
WT(a , b ) = ∫ x(t )ψ (t )dt = x * ψ
* *
a ,b a (2.14)
−∞
Où l'on a :
1 * t 
ψ*a (t ) = ψ −  (2.15)
a  a
Comme ψ(0) = 0 (car ψ est de moyenne nulle), on peut interpréter Ψ(ω) comme la fonction
de transfert d’un filtre passe-bande. En utilisant les propriétés de translation et de changement
d’échelle de la transformation de Fourier, la transformée de Fourier de ψa(t) peut s’écrire :
Ψa (ω) = a Ψ (aω) (2.16)
Par conséquent, la convolution (2.14) calcule la transformée en ondelettes d’un signal x(t)
avec des filtres passe-bande dilatés.
2.3.3.2. Reconstruction
La condition d'admissibilité donnée par l'équation (2.6) garantit la possibilité de calculer
la transformée inverse. En effet, de même que pour la transformée de Fourier et la
transformée de Fourier à fenêtre glissante, on dispose, sous certaines conditions, d'une
formule inverse pour la transformée en ondelettes [31]. La formule de reconstruction est
donnée par :
+∞ +∞
1 dadb
x (t ) =
Cψ ∫ ∫ WT(a, b) ⋅ ψ (t ) a
−∞ −∞
a ,b 2 (2.17)
Cette possibilité reste théorique car le calcul n’est possible que numériquement et sa
convergence peut-être très lente.
33
2.3.4. Transformée en ondelettes discrète

La transformation en ondelettes continue est, en théorie, infiniment redondante puisque
l’ondelette est translatée de manière continue. Morlet [34] a proposé de créer des bases de
fonctions construites sur le modèle suivant :
−j
(
ψ j,k (t ) = a 0 2 ψ a 0− jt − kb 0 ) (2.18)
avec a0 > 1 et b0 > 0 fixés et j, k ∈ Z. Cette discrétisation attribue des valeurs à l'échelle a sur
une échelle géométrique avec des paramètres de translation qui lui sont proportionnels :
a = a 0j et b = kb 0a 0j (2.19)
Une gamme d'échelles couramment utilisées est la gamme dyadique, soit a0 = 2 et b0 = 1. On

obtient, ainsi, des familles constituées des fonctions de la forme :
−j
ψ j,k (t ) = 2 2 (
ψ 2− j t − k ) (2.20)
Cependant, on trouve, très souvent dans la littérature, une transformée en ondelettes dyadique
où seul le paramètre d’échelle est échantillonné selon une suite dyadique {2j} j∈Z, et le
paramètre b reste une variable continue [31]. Une telle transformée, pour un signal x(t), peut
s'écrire en utilisant l'équation (2.14) :
+∞
1 t−b
(
WT 2 , b =j
) ∫ x(t )ψ 
*
dt
2j 
(2.21)
2j −∞
2.3.5. Transformée en ondelettes orthogonale

On cherche à représenter un signal x(t) par un ensemble de coefficients obtenus par
projection de x sur une base orthogonale. Mallat [31] a mis en avant une certaine catégorie de
décompositions en ondelettes discrètes qui peuvent être réalisées numériquement en un temps
très court par une transformation en ondelettes rapide basée sur la notion d'Analyse Multi-
Résolution (AMR) [37]. Cette analyse utilise des bases orthonormées d’ondelettes, ce qui
34
réduit la redondance à néant. On peut se limiter au calcul de la transformée en ondelette sur

un maillage discret du plan temps-échelle appelé grille dyadique (a = 2j, j∈Z). Du point de
vue pratique, on introduit, dans l'AMR, une nouvelle fonction ϕ(t), associée à l'ondelette
mère, dite "père" ou "fonction d'échelle" de moyenne unitaire et qui présente, dans le domaine
de Fourier, un spectre du type passe-bas. On définit les translatés et dilatés de la fonction
d'échelle par :
1
ϕ j,n (t ) = (
ϕ 2− j t − n ) (2.22)
2j
Cette fonction est telle que :
1 si n = n ′
〈 ϕ j,n , ψ j,n′ 〉 = 0 et 〈 ϕ j,n , ϕ j,n′ 〉 = δ n ,n′ =  ∀ n, n ' (2.23)
0 si n ≠ n ′
ce qui révèle des propriétés d'orthogonalité avec ses translatées et avec l'ondelette associée.
Cependant, et dans ce cas là, on peut transformer un signal en ondelettes sans ondelettes ni
fonction d'échelle, on n'a besoin que de filtres discrets. Ils sont caractéristiques de l'ondelette
et de sa fonction d'échelle et la recherche de l'ondelette se ramène à la recherche de filtres. On
réalise avec ces filtres complémentaires (passe bas et passe haut) des produits de convolution
avec le signal. Le cadre d'analyse de ces ondelettes, qui s'expriment à l'aide de filtres discrets,
est considérablement développé, et nous disposons de tout un jeu de théorèmes reliant les
propriétés des ondelettes et celles des filtres discrets [31]. En définitive, la transformée en
ondelette discrète peut être orthogonale ou biorthogonale. Toutefois, ce type de transformée
est loin de notre objectif, nous ne nous étendrons donc pas plus sur ce modèle d’analyse.
2.3.6. Maxima du module de la transformée en ondelettes

La plupart des méthodes basées sur la transformée en ondelettes sont fondées sur le
travail de Mallat [31,38] de détection des singularités utilisant les maxima locaux des
coefficients en ondelettes issus de la décomposition d'un signal donné. Souvent, ce sont les
singularités d’un signal qui contiennent le plus d’informations. Le calcul de la transformée en
ondelettes permet de trouver leurs positions exactes. Un maximum local (resp. minimum) est
un point en lequel une fonction f est plus grande (resp. plus petite) que ses voisins, ce qui peut
se traduire mathématiquement par la définition suivante [39] : une fonction f est localement
35
maximum (resp. minimum) en x0 ∈ I s'il existe V ⊂ I, un voisinage de x0, tel que f(x0) ≥ f(x)
(resp. f(x0) ≤ f(x)) pour tout x dans V (Fig. 2.5).
Fig. 2.5. Maximum local, minimum local et point d'inflexion.
En module, l'expression maxima locaux s'explique par les modules max et désigne, le plus
souvent, les "maxima du module" de la transformée en ondelettes.
2.3.7. Scalogramme
Afin de permettre une interprétation graphique aisée, on définit la fonction |WT(a,b)|2,
appelée scalogramme (module au carré des coefficients ondelettes). Elle représente la densité
d'énergie du signal pour chaque échelle a et position b [35]. Ainsi, la visualisation sous forme
de carte d’énergie ou carte temps-échelle se fait par le calcul de cette grandeur dans le plan
temps-échelle. Les coefficients en ondelettes sont colorés suivant un code défini.
2.4. Botanique des familles d'ondelettes
L'analyse en ondelettes, contrairement à l'analyse de Fourier, permet une liberté

supplémentaire puisque le choix des atomes de la transformée, déduits de l'ondelette
analysante, est laissé à l'utilisateur. En outre, on peut préférer la transformée continue à la
transformée discrète si la redondance peut être mise à profit pour analyser le signal. On fait le
choix contraire si une compression du signal est souhaitée. Dans ce second cas, on doit se
restreindre aux ondelettes à filtres alors que, dans le premier cas, n'importe quelle fonction
d'intégrale nulle convient. Il y a plusieurs types et familles d'ondelettes dont les propriétés
diffèrent selon les principaux critères suivants [34] :
- l'existence de la fonction d'échelle ϕ donc de filtres associés à l'ondelette ;
36
- l'orthogonalité ou la biorthogonalité de l'analyse qui en résulte ;

- le support des fonctions ψ(t) et Ψ(ω) et la vitesse de convergence vers 0 quand le temps t
ou la fréquence ω tend vers l'infini, qui quantifient respectivement la localisation en temps et
en fréquence de l'ondelette ;
- la symétrie, qui est utile pour éviter le déphasage ;
- le nombre de moments nuls de ψ ou de ϕ, qui permet de concentrer l'information du signal
dans quelques coefficients, ce qui est très utile pour la compression ;
- la régularité, qui est utile pour obtenir des signaux et des images reconstruits lisses et
réguliers.
On peut rajouter deux propriétés moins cruciales : l'existence d'une formule explicite et la
facilité de tabulation.
2.4.1. Tableaux synoptiques des familles usuelles

Avant de détailler quelques familles d'ondelettes usuelles, nous dressons dans le tableau
2.1 leur liste avec des noms courts associés afin de faciliter la lecture [34]. Le tableau 2.2
regroupe ces familles d'ondelettes suivant diverses propriétés essentielles : existence de filtres
associés, orthogonalité ou biorthogonalité, support compact ou non, ondelettes réelles ou
complexes [34].
2.4.2. Ondelettes sans filtres, réelles

Dans certaines situations, les capacités d'analyse fine et locale des fonctions requièrent
des analyses redondantes en temps et en échelle. C'est pourquoi on s'affranchit de l'exigence
d'engendrer des bases et on s'intéresse à des ondelettes qui vérifient des conditions
d'admissibilité très faibles. Ces ondelettes n'ont pas de fonction d'échelle associée et donc pas
de filtres mais présentent l'avantage de posséder une formule explicite de définition. On en
donne ici quelques exemples.
2.4.2.1. Chapeau mexicain : mexh

C'est une fonction qui est proportionnelle à la dérivée seconde de la fonction gaussienne :
 2 −0, 25  −t 2
ψ (t ) =  π  (1 − t )e 2
(2.24)
 3 
37
Tableau 2.1. Liste des familles d'ondelettes.
Nom de familles d'ondelettes Nom court
Ondelette de Haar haar
Ondelettes de Daubechies db
Symlets sym
Coiflets coif
Ondelettes biorthogonales bior
Ondelette de Meyer meyr
Ondelettes de Battle et Lemarié btlm
Ondelettes gaussiennes gaus
Chapeau mexicain mexh
Ondelette de Morlet morl
Ondelettes gaussiennes complexes cgau
Ondelettes de Shannon complexes shan
Ondelettes B-splines fréquentielles complexes fbsp
Ondelettes de Morlet complexes cmor
Tableau 2.2. Principales propriétés des familles d'ondelettes.
Analyse discrète Analyse continue
Ondelettes à filtres Ondelettes sans filtres
Support compact Support non compact Réelles Complexes
Orthogonales Biorthogonales Orthogonales gaus, mexh cgau, shan,
db, haar, sym, coif bior meyr, btlm morl fbsp, cmor
38
Elle oscille très peu comme on peut le voir sur son graphe représenté dans la figure 2.6. Elle
est symétrique, ce qui permet de ne pas introduire de déphasage dans la transformée en
ondelettes. Elle est particulièrement adaptée à la détection des discontinuités.
0.8
0.6
0.4
0.2
-0.2
-0.4
-8 -6 -4 -2 0 2 4 6 8
Fig. 2.6. Ondelette chapeau mexicain : mexh.
2.4.2.2. Ondelette de Morlet : morl

Cette fonction ne vérifie qu'approximativement la condition d'admissibilité, elle est
pourtant classique et est définie par :
−t2
ψ (t ) = Ce 2 ⋅ cos(5t ) (2.25)
où C est une constante de normalisation pour la reconstruction. Son graphe est représenté dans
la figure 2.7. Elle oscille beaucoup plus que le chapeau mexicain.
39
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
-8 -6 -4 -2 0 2 4 6 8
Fig. 2.7. Ondelette de Morlet : morl.
2.4.2.3. Ondelettes gaussiennes : gausN

C'est la généralisation du chapeau mexicain en introduisant la famille à un paramètre des
dérivées de la gaussienne. On part de :
2
f (t ) = C p e − t (2.26)
et on considère la dérivée d'ordre p de f, en fixant Cp de sorte que :
2
f (p ) = 1 (2.27)
Le graphe de la dérivée 8ème de la gaussienne est présenté dans la figure 2.8.
40
1.5
0.5
-0.5
-1
-5 -4 -3 -2 -1 0 1 2 3 4 5
Fig. 2.8. Ondelette dérivée huitième d’une fonction gaussienne : gaus8.
2.4.3. Ondelettes sans filtres, complexes

Pour l’analyse de signal, il est parfois préférable d’utiliser des ondelettes à valeurs
complexes, dans la mesure où l'on peut ainsi étudier séparément le module des coefficients
d’ondelettes, qui donne la densité d’énergie en espace et en échelles, et leur phase qui détecte
les singularités du signal quelque soit leur type.
2.4.3.1. Ondelettes gaussiennes complexes : cgauN

On peut étendre la famille réelle à un paramètre des dérivées de la gaussienne au cas
complexe. On part de :
2
f (t ) = C p e − t ⋅ e − jt (2.28)
41
et on considère, comme ci-dessus, la dérivée d'ordre N de f. Voici les parties réelle,

imaginaire, le module et la phase de cette famille pour N = 8 (Fig. 2.9).
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
-5 0 5 -5 0 5
Partie réelle Partie imaginaire
0.8 4
0.6 2
0.4 0
0.2 -2
0 -4
-5 0 5 -5 0 5
Module Phase
Fig. 2.9. Ondelette dérivée huitième d’une fonction gaussienne complexe : cgau8.
La partie réelle de l'ondelette coïncide avec l'ondelette réelle correspondante, à une constante
de normalisation près.
2.4.3.2. Ondelettes de Morlet complexes : cmorNb-Nc

Une ondelette de Morlet complexe est définie par :
2
−t
1
ψ (t ) = e j2 πf c t ⋅ e fb
(2.29)
πf b
42
Elle dépend de deux paramètres : fb est un paramètre de fenêtre désigné par Nb dans le nom
court et fc la fréquence d'oscillation de l'ondelette désignée par Nc. La figure 2.10 présente les
parties réelle et imaginaire ainsi que le module et la phase de cette ondelette pour Nb = 1,5 et
Nc = 1.
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
-10 -5 0 5 10 -10 -5 0 5 10
0.8 4
0.6 2
0.4 0
0.2 -2
0 -4
-10 -5 0 5 10 -10 -5 0 5 10
Module Phase
Fig. 2.10. Ondelette de Morlet complexe associée à Nb = 1,5 et Nc = 1 : cmor1.5-1.
2.4.3.3. Ondelettes B-splines fréquentielles complexes : fbspNm-Nb-Nc

Une ondelette B-spline fréquentielle complexe est définie par :
m
f   πf t  
ψ (t ) = b  sin c b   ⋅ e j2 πf c t (2.30)
m  m 
43
et dépend de trois paramètres : l'ordre de l'ondelette donné par un entier Nm = m > 1, Nb = fb

est un paramètre de fenêtre et Nc = fc la fréquence d'oscillation de l'ondelette. On trouve dans
la figure 2.11 les parties réelle et imaginaire ainsi que le module et la phase de cette ondelette
pour Nm = 2, Nb = 1 et Nc = 0,5. Signalons enfin que lorsque l'on fixe m = 1, on obtient une
famille d'ondelettes à deux paramètres, appelées les ondelettes de Shannon.
1 1
0.5
0.5
0
-0.5
-0.5 -1
-20 -10 0 10 20 -20 -10 0 10 20
1 4
0.8
2
0.6
0
0.4
-2
0.2
0 -4
-20 -10 0 10 20 -20 -10 0 10 20
Module Phase
Fig. 2.11. Ondelette B-spline fréquentielle complexe associée à

Nm = 2, Nb = 1 et Nc = 0,5 : fbsp2-1-0.5.
2.4.4. Ondelettes orthogonales à support compact

Dans ce cas, une fonction, appelée fonction échelle et notée ϕ, est associée à ψ. On la
dilate et translate comme ψ. Ces ondelettes permettent des décompositions discrètes à l'aide
d'algorithme rapide engendrant de ce fait des bases orthogonales. Elles sont définies
directement par leurs filtres associés. Ainsi, l'ondelette n'est pas directement accessible
puisque aucune formule analytique ne la définit.
44
2.4.4.1. Ondelettes de Daubechies : dbN

Cette famille d'ondelettes est la première permettant de manipuler des ondelettes
orthogonales à support compact de régularité arbitraire. On dira que N est l'ordre de
l'ondelette dbN. Pour N = 1, db1 est appelée ondelette de Haar, c'est la plus simple et la plus
ancienne des ondelettes. Elle est discontinue et ressemble à un échelon (Fig. 2.12). Elle est bien
localisée en espace, mais, en contrepartie, elle est discontinue et sa transformée de Fourier
oscille beaucoup donnant une mauvaise localisation en fréquence. Elle est définie par :
1 0 ≤ t ≤ 0,5

ψ (t ) =  − 1 0,5 ≤ t ≤ 1 (2.31)
0 sin on

La fonction d'échelle associée est la fonction échelon :
1 0 ≤ t ≤ 1
ψ (t ) =  (2.32)
0 sin on
1
1
0.8
0.6
0.8
0.4
0.2
0.6
0
-0.2
0.4
-0.4
-0.6
0.2
-0.8
-1
0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Fig. 2.12. Fonction d’échelle (à gauche) et ondelette (à droite) de Haar : haar.
Hormis db1, les ondelettes de cette famille n'ont pas d'expression explicite et sont
asymétriques. Cependant, leur régularité augmente avec l'ordre et permettent une analyse
orthogonale. Les ondelettes de cette famille pour les ordres 2, 3, 4 et 5 sont présentées dans la
figure 2.13.
45
2 2
1 1
0 0
-1 -1
-2 -2
0 1 2 3 0 2 4 6
db2 db3
2 2
1
1
0
0
-1
-1 -2
0 2 4 6 8 0 5 10
db4 db5
Fig. 2.13. Ondelettes de Daubechies : dbN.
2.4.4.2. Les Symlets : symN

Proposées par I. Daubechies en modifiant la construction des dbN, les symlets constituent
une famille d'ondelettes presque symétriques. A part la symétrie, les autres propriétés des
deux familles sont similaires. Les symlets d'ordre 2 et 3 sont représentées dans la figure 2.14.
1.5 1.5
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
-1.5 -1.5
-2 -2
0 1 2 3 0 2 4 6
sym2 sym3
Fig. 2.14. Les symlets : symN.
46
2.4.4.3. Les Coiflets : coifN

Construites par I. Daubechies sur la demande de R. Coifman, les coiflets constituent une
famille d'ondelettes possédant une propriété inhabituelle : la fonction d'échelle ϕ associée
possède 2N-1 moments nuls. Les coiflets d'ordre 1 et 2 sont représentées à la figure 2.15.
2.5 2
2
1.5
1.5
1
1
0.5 0.5
0
0
-0.5
-0.5
-1
-1.5 -1
0 2 4 6 0 5 10 15
coif1 coif2
Fig. 2.15. Les coiflets : coifN.
Comme on peut le voir, les coiflets sont bien plus symétriques que les ondelettes de
Daubechies dbN.
2.4.5. Ondelettes biorthogonales à support compact : biorNrNd

Les ondelettes biorthogonales étendent les familles d'ondelettes orthogonales. Dans ce
cas, deux ondelettes sont introduites : la première pour la décomposition et la deuxième pour
la reconstruction du signal. La figure 2.16 présente les ondelettes bior1.3 et bior2.4. Les
paramètres Nr et Nd représentent le nombre de moments nuls de la première et la deuxième
ondelette respectivement.
47
1.5 3
2.5
1
2
1.5
0.5
1
0 0.5
0
-0.5
-0.5
-1
-1
-1.5
-1.5 -2
0 2000 4000 6000 0 5000 10000
bior1.3 bior2.4
Fig. 2.16. Ondelettes biorthogonales : biorNrNd.
2.4.6. Ondelettes orthogonales à support non compact

2.4.6.1. Ondelette de Meyer : meyr
C'est l'une des premières ondelettes. Il s'agit d'une ondelette orthogonale indéfiniment
dérivable mais elle n'est pas à support compact, néanmoins, elle converge rapidement vers 0 à
l'infini. De plus, elle est indéfiniment dérivable avec la même propriété de décroissance rapide
pour ses dérivées (Fig. 2.17).
1.5
0.5
-0.5
-1
-8 -6 -4 -2 0 2 4 6 8
Fig. 2.17. Ondelette de Meyer : meyr.
48
2.4.7. Choix de l'ondelette

Le choix de l'ondelette adaptée n'est pas aisé. Il convient de bien cerner le problème à
étudier et d'identifier le type de transformée à utiliser (continue ou discrète). En analyse
d'image, il est souvent utile d'avoir une certaine redondance pour avoir plus d'informations.
L'utilisation de la transformée en ondelettes continue est alors conseillée. Pour une analyse
multirésolution, on préférera une base d'ondelettes orthonormale et si on veut un calcul exact,
alors les ondelettes à support compact sont indiquées. On peut également avoir besoin d'une
ondelette indéfiniment dérivable, il faudra alors utiliser une des ondelettes de Meyer. Pour
détecter les frontières, on préférera des ondelettes symétriques. On voit donc qu'on ne peut
parler d'une ondelette idéale adaptée à tous les cas. A chaque cas particulier correspond une
ondelette particulière adaptée. Cependant, le choix est guidé par diverses considérations
incluant, en particulier, une base physique ou à défaut la ressemblance entre le signal analysé
et la famille d'ondelettes choisie.
2.5. Conclusion
Ce chapitre a sommairement présenté les bases théoriques de la transformée en

ondelettes. Après avoir rappelé la transformée de Fourier, nous avons discuté de la limitation
de cette dernière vis-à-vis des signaux non stationnaires. Une solution à ce problème a été
introduite : la transformée de Fourier à fenêtre glissante. Mais, celle-ci n'est pas pleinement
adéquate à cause du choix de la fenêtre d'analyse qui pourra compromettre la notion de
résolution et de stationnarité du signal analysé. Cela nous a conduit à introduire la transformée
en ondelette comme outil très performant dans l'analyse des signaux non stationnaires. Après
avoir détaillé les propriétés et les caractéristiques de cette transformée, nous avons exposé une
vue générale des principales ondelettes existant dans la littérature.
49
Chapitre 3 Introduction aux ondelettes fractionnaires
Chapitre 3
Introduction aux Ondelettes Fractionnaires
50
3.1. Introduction
L’objectif de ce chapitre est d'employer la distribution de Cole-Cole pour la conception

d'ondelettes fractionnaires. La fonction de Cole-Cole est largement utilisée dans la
modélisation mathématique des diélectriques. Elle représente la distribution des temps de
relaxation dans l’approximation du pôle à puissance fractionnaire (PPF) [25]. Ces ondelettes
fractionnaires sont conçues par une simple dérivation ou par modulation de la distribution de
Cole-Cole. Après une exposition des différentes ondelettes fractionnaires construites et pour
illustrer leurs facultés et propriétés, on proposera une analyse continue par transformée en
ondelettes de quelques types de signaux. En effet, à l’inverse de ce qui se passe pour les séries
de Fourier, les coefficients d’une transformée en ondelettes traduisent de façon simple,
précise et fidèle les propriétés des signaux, du moins les propriétés qui correspondent à une
discontinuité, une singularité, bref à un événement imprévu.
3.2. Modeler et construire une ondelette
Le choix des ondelettes mères est un problème important, mais très peu d'auteurs ont
abordé ce sujet. Il n'y a pas d'ondelette adaptée à tous les cas. Pour certaines applications, il
arrive que l'on ne trouve pas, parmi les ondelettes connues, une ondelette convenable. Il est
alors naturel d'essayer de construire une nouvelle ondelette adaptée au problème spécifique à
traiter. Ce problème ne présente pas une grande difficulté, surtout pour le cas continu, car les
conditions requises pour obtenir de telles ondelettes sont relativement faibles, presque
n'importe quelle fonction d'intégrale nulle peut convenir (Eq. 2.8). Prenons l'exemple de la
gaussienne où toutes ses dérivées (gausN) satisfont la condition suffisante d'admissibilité et
peuvent être considérées comme des ondelettes [34]. Dans notre travail, on part de la
distribution de Cole-Cole donnée par [25,40] :
1  sin (1 − m )π 
g (t ) =
2π  cosh (mt ) − cos(1 − m )π 
 (3.1)
Où 0 < m < 1 : est l'ordre du système fractionnaire donné dans l'égalité :
51
1 + ∞ g (τ )
H(s ) = =∫ dτ (3.2)
1 + (sτ0 )
m −∞ 1 + sτ
Avec : s = jω est la fréquence complexe. Cette fonction irrationnelle est également la fonction
de transfert de l'équation différentielle linéaire fondamentale d'ordre fractionnaire, 0 < m < 1,
donnée par [41] :
d m x (t )
(τ0 ) m
+ x (t ) = e (t ) (3.3)
dt m
Dans ce contexte, le paramètre m est utilisé pour modifier la forme de la distribution de Cole-
Cole (Fig. 3.1), et donc des ondelettes associées. La fonction de Cole-Cole n'est pas à
moyenne nulle, mais ses dérivées, en revanche, le sont. Elles vérifient donc la condition
d'admissibilité (Eq. 2.8) et sont, donc, toutes des ondelettes. De plus, pour l’analyse du signal,
on peut extraire des ondelettes à valeurs complexes de cette même fonction, dans la mesure
où l'on peut ainsi étudier séparément le module, les parties réelles et imaginaires des
coefficients d’ondelettes et la phase, pour la détection des singularités et des passages par zéro
(zero-crossings) [38,42]. En effet, comme les signaux traités sont réels et l'ondelette est à
valeurs complexes, les coefficients d’ondelettes obtenus seront à valeurs complexes.
3.2.1. Ondelettes fractionnaires réelles : coleN

De manière similaire aux ondelettes issues de la fonction gaussienne, on s'intéresse à la
construction d'ondelettes réelles par une méthode directe basée sur une simple dérivation de la
distribution de Cole-Cole :
d n g (t )
ψ n (t ) = (3.4)
dt n
On a appelé ces ondelettes "coleN", où N est l'ordre de la dérivée. Ces différentes dérivées
(1ère, 2ème, 3ème, …) satisfont bien la condition d'admissibilité. La fonction de Cole-Cole est
ses trois premières dérivées sont représentées sur la figure 3.2 pour m = 0,7. La transformée
de Fourier des ondelettes est déduite de celle de Cole-Cole, G(ω), selon l’équation :
Ψn (ω) = ( jω) G (ω)

n
(3.5)
52
0.5
m = 0,8
m = 0,5
0.25
m = 0,2
0
-8 0 8
Fig. 3.1. Distribution de Cole-Cole pour différentes valeurs de m.
0.5
0.4
0
0.2
-0.5
0
-10 -5 0 5 10 -10 -5 0 5 10
(a) : Cole-Cole (b) : cole1
20
2
10
1
0
0 -10
-1 -20
-10 -5 0 5 10 -10 -5 0 5 10
(c) : cole2 (d) : cole3
Fig. 3.2. (a) Fonction de Cole-Cole. (b), (c) et (d) ondelettes cole1, cole2 et cole3
(dérivées 1ère, 2ème et 3ème respectivement).
53
3.2.2. Ondelette fractionnaire complexe : ccol

Désignée par "ccol", cette ondelette fractionnaire complexe est construite en modulant
une exponentielle complexe par une enveloppe représentant la fonction de Cole-Cole :
ψ (t ) = g(t )exp( j2πf c t ) (3.6)
La fréquence fc est la fréquence d’oscillation de l’ondelette. De la même manière, sa

transformée de Fourier est aisément déduite de celle de Cole-Cole comme suit :
Ψ (ω) = G (ω − ωc ) (3.7)
La figure 3.3 présente les parties réelle et imaginaire ainsi que le module et la phase de cette
ondelette pour fc = 0,5 et m = 0.8.
0.6 0.4
0.4 0.2
0.2 0
0 -0.2
-0.2 -0.4
-10 -5 0 5 10 -10 -5 0 5 10
0.5 4
0.4
2
0.3
0
0.2
-2
0.1
0 -4
-10 -5 0 5 10 -10 -5 0 5 10
Module Phase
Fig. 3.3. Ondelette fractionnaire complexe de Cole-Cole associée à m = 0.8 et fc = 0,5: ccol.
54
On peut remarquer sur la figure précédente que les parties réelle et imaginaire de cette
ondelette complexe satisfassent la condition d'admissibilité et représentent effectivement des
ondelettes qu'on peut utiliser dans l'analyse des signaux. De plus, on peut percevoir aussi que
le maximum de la partie réelle correspond à un passage par zéro dans la partie imaginaire, et
cela pourra être bénéfique dans la mesure où on peut utiliser les deux ondelettes
simultanément en détection des maxima du module.
3.3. Exemples d'applications dans l'analyse des signaux
En analyse continue par ondelettes, la décomposition par niveau d'échelle fournit une
technique de détection de forme et constitue ainsi un outil de zoom. En voici la raison : si un
signal, en un point singulier à t0 inconnu et à une échelle a0 inconnue, coïncide avec
l'ondelette analysante ψ((t − t 0 ) a 0 ) , le coefficient d'ondelette associé est grand et permet
d'estimer t0 et a0.
Ainsi, pour des signaux physiques présentant des variations très rapides, des sauts, des
marches, bref des discontinuités, l’analyse en ondelettes est bien adaptée, car l’ondelette va
permettre de détecter ces singularités et de les analyser [34,38]. En effet, les singularités d'un
signal se manifestent sur les coefficients de la transformée en ondelettes continue par une
amplitude importante et par une décroissance des valeurs de ces coefficients avec l’échelle de
résolution, alors que des coefficients d’ondelettes nuls indiquent que le signal est lisse. Pour
présenter les bonnes propriétés, en analyse continue, des ondelettes fractionnaires construites
dans l'analyse des signaux, nous allons nous concentrer, par des exemples, sur les trois aspects
suivants [43] :
- repérer une discontinuité dans un signal ;
- détecter une singularité ou plus dans un signal ;
- repérer les complexes QRS dans le signal ECG.
Afin de permettre une interprétation graphique aisée, on définit la fonction |WT(a,b)|2,
appelée scalogramme (module au carré des coefficients ondelettes), et qui représente la
densité d'énergie du signal pour chaque échelle a et position b [35]. Ainsi, la visualisation
sous forme de carte d’énergie ou carte temps-échelle se fait par le calcul du scalogramme dans
le plan temps-échelle. Les coefficients en ondelettes élevés sont de couleur claire par
opposition aux coefficients plus faibles de couleur foncée. Les points singuliers du signal se
manifesteront par des cônes visibles indiquant une sérieuse irrégularité du signal.
55
Pour une éventuelle comparaison, on utilisera également les deux ondelettes dérivée première
et deuxième de la gaussienne, appelées respectivement gaus1 et gaus2 ; ainsi que l'ondelette
de Morlet complexe, cmor, pour le cas complexe. L‘ondelette gaus2 est aussi appelée chapeau
mexicain et est désignée par mexh.
3.3.1. Repérer une discontinuité

3.3.1.1. Signal rectangulaire
L'exemple pris ici est un signal rectangulaire de longueur N = 1024 échantillons. Elle
présente deux discontinuités aux valeurs 0,1 et 0,9 (Fig. 3.4). Nous savons que la transformée
de Fourier de la fenêtre rectangulaire donne la fonction sinus cardinal. Or, cette analyse
purement fréquentielle n’informe pas sur le changement temporel et la position des deux
discontinuités.
Effectuons une analyse à l'aide de la transformée en ondelettes continue. On prendra les
échelles de 2 à 32 avec un pas de 0,5. Les coefficients sont colorés en valeur absolue.
En utilisant l'ondelette mexh, on note que les discontinuités sont parfaitement repérées aux
petites échelles. Plus l'échelle augmente, plus large est le support de l'ondelette analysante et
davantage de coefficients sont donc influencés par cette discontinuité. Ceci explique l'effet
visuel de "cône" (Fig. 3.4), c'est-à-dire, une concentration des coefficients d'ondelettes de
grande amplitude au voisinage des deux singularités quand l'échelle diminue.
Utilisons maintenant l'ondelette fractionnaire cole2 qui est à support plus petit (Fig 3.5). Les
coefficients sont colorés comme précédemment. On note que les discontinuités restent bien
repérées aux petites échelles et l'effet de cône, toujours visible, est moins important. Les
qualités des deux analyses sont semblables. Cela est clairement visible à l'échelle a = 4 sur les
coefficients d'ondelettes WT(a,b).
Une question se pose pour le cas d'une ondelette complexe, est-ce qu'on aura des résultats
pareils ? Effectivement, en examinant les figures 3.6 et 3.7 représentant des images temps-
échelle de notre signal, le phénomène de cône est parfaitement visible sur les parties réelle,
imaginaire ainsi que sur le module représentant toutes les coefficients d'ondelettes. Donc, les
deux ondelettes complexes cmor et ccol fournissent similairement des résultats satisfaisants.
56
Signal analysé : fenêtre rectangulaire

1.5
0.5
0
0 0.2 0.4 0.6 0.8 1
Coefficients WT(a,b) pour a = 4

1
0.5
-0.5
-1
0 0.2 0.4 0.6 0.8 1
Coefficients WT(a,b) : coloration an valeur absolue

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Temps (ou position b)
Fig. 3.4. Analyse continue avec l'ondelette mexh.

1.5
0.5
0
0 0.2 0.4 0.6 0.8 1

1
0.5
-0.5
-1
0 0.2 0.4 0.6 0.8 1
coefficients WT(a,b) : coloration en valeur absolue

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 3.5. Analyse continue avec l'ondelette cole2.
57

1
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Partie réelle de WT(a,b)
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Partie imaginaire de WT(a,b)
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Module de WT(a,b)
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 3.6. Analyse continue avec l'ondelette cmor1-1.5.

1
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Module de WT(a,b)
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 3.7. Analyse continue avec l'ondelette ccol.
58
3.3.1.2. Signal triangulaire

On présente ici une fonction triangle avec trois discontinuités. L'une est clairement
visible au milieu du signal ; les autres sont imperceptibles à l’œil nu. En effet, au milieu de
chaque rampe il y a un petit palier invisible (Fig. 3.8). En effectuant une analyse avec les deux
ondelettes gaus1 et cole1, on remarque que toutes les discontinuités sont repérées, mais
partiellement, en particulier pour les deux paliers (Fig. 3.8 et 3.9), ceci est à cause de la forme
des deux ondelettes. Toutefois, l’effet de cône est visible trois fois : pour les paliers et surtout
pour la pointe centrale. Ceci est nettement clair aux échelles a = 2 et a = 12 sur les
Utilisant maintenant les deux ondelettes complexes, le résultat est nettement amélioré. Les
figures 3.10 et 3.11 montrent que les trois singularités, identifiées par le phénomène de cônes
dans le plan temps-échelle, sont bien distinguées.
3.3.2. Détecter une singularité

Le signal à analyser est la somme d'une gaussienne et d'un signal présentant deux
singularités en x 1 = 0,2 et x 2 = 0,8 :
2
f (t ) = e −128(t − 0.5 ) − 2 t − 0.8
0.6 0.2
− 2 t − 0.2 − At − B (3.8)
Où A et B sont telles que : f(0) = f(1) = 0. Cette fonction est donc très régulière sauf en
ces deux points (Fig. 3.12). On effectue une analyse pour les échelles variant de 2 à 32
avec l'ondelette mexh et l'ondelette fractionnaire cole2. On remarque sur les figures 3.12
et 3.13 qu'en dehors des points x 1 et x 2, rien n'est décelable aux petites échelles dans
cette zone qui ne contient pas de singularités. Le phénomène visible est le reflet des
changements d'inflexion de la courbe. Par contre, aux points de singularités, se
manifeste l'effet de cône, dès les petites échelles, de sommets x 1 = 0,2 et x 2 = 0,8 et se
propage aux grandes échelles. Ceci est aussi visible, aux échelles a = 2 et a = 32, sur les
Comme précédemment, en appliquant la transformée en ondelettes complexe, les figures 3.14
et 3.15 révèlent des effets identiques au cas réel sur les cartes temps-échelle.
59
Signal analysé : triangulaire avec 2 paliers

1
Palier
Palier
0.5
0
0 0.2 0.4 0.6 0.8 1
Coefficients WT(a,b) pour a = 2 et a = 12

0.1
0.05
a=2
0
-0.05
a = 12
-0.1
0 0.2 0.4 0.6 0.8 1
Coefficients WT(a,b) : coloration en valeur absolue

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 3.8. Analyse continue avec l'ondelette gaus1.

1
Palier
Palier
0.5
0
0 0.2 0.4 0.6 0.8 1

0.1
0.05 a = 12
a=2
0
-0.05
-0.1
0 0.2 0.4 0.6 0.8 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

60

1
Palier
Palier
0.5
0
0 0.2 0.4 0.6 0.8 1
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Module de WT(a,b)
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1


1
Palier Palier
0.5
0
0 0.2 0.4 0.6 0.8 1
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Module de WT(a,b)
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

61
Le signal analysé présente 2 singularités

1.5
1
Singularité Singularité
0.5
-0.5
0 0.2 0.4 0.6 0.8 1

5
a=2 a = 32
-5
0 0.2 0.4 0.6 0.8 1
25
Echelle a
15
5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig. 3.12. Analyse continue avec l'ondelette mexh.
Signal analysé présente 2 singularités

1.5
1 Singularité
Singularité
0.5
-0.5
0 0.2 0.4 0.6 0.8 1

4
a=2
2
a = 32
0
-2
-4
0 0.2 0.4 0.6 0.8 1
25
Echelle a
15
5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
62
Signal analysé présentant 2 singularités

2
0
0 0.2 0.4 0.6 0.8 1
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Module de WT(a,b)
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Signal analysé présentant 2 singularités

2
0
0 0.2 0.4 0.6 0.8 1
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Module de WT(a,b)
30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

63
3.3.3. Repérer les complexes QRS de l'ECG

L'ECG est un signal bref et rapidement variable et est donc un bon candidat pour
l'analyse en ondelettes. Il se décompose en séquences dont la plus importante est le complexe
QRS. La localisation des formes par ondelettes permet la discrimination des pathologies
cardiaques. Ici, on propose une détermination, à base d'ondelettes, de l'instant d'apparition du
complexe QRS. Les ondelettes utilisées sont mexh et cole2 à cause de leur grande similitude
avec les complexes QRS. Les figures 3.16 et 3.17 montrent la bonne localisation des instants
d'occurrence des complexes QRS caractérisés par l'effet de cône qui se manifeste dès les
petites échelles. Plus l'échelle augmente, plus large est le support de l'ondelette analysante et
davantage de coefficients sont donc influencés par les complexes QRS.
En conservant le même exemple d’application, on utilisera, dans ce cas, deux ondelettes
complexes déjà décrites auparavant : ccol et cmor. On remarque, dans les figures 3.18 et 3.19,
que les coefficients d'ondelettes montrent bien une bonne localisation des complexes QRS
caractérisés par un effet de cône qui se manifeste aussi bien dans le module que dans les
parties réelles et imaginaires. Plus l'échelle augmente, plus large est le support des ondelettes
analysantes.
Dans les deux graphiques, présents en figures 3.20 et 3.21, on trouve, pour les deux échelles 2
et 32, les coefficients d'ondelettes. Pour l'échelle a = 2, les complexes QRS sont précisément
localisés en temps, en dépit de la taille du support de l'ondelette. Cependant, pour une échelle
grande, a = 32, la localisation est beaucoup plus mauvaise, le complexe QRS influence les
coefficients sur un intervalle plus large.
En conséquence, les ondelettes fractionnaires de Cole-Cole réelles et complexes présentent
des facultés comparables à celles des ondelettes existant dans la littérature.
64
Signal analysé : ECG

1
Complexe QRS
0.5
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
25
Echelle a
20
15
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 3.16. Analyse continue de l'ECG avec l'ondelette mexh.

1
Complexe QRS
0.5
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
25
Echelle a
20
15
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 3.17. Analyse continue de l'ECG avec l'ondelette cole2.
65

1
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Module des coefficients WT(a,b)

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 3.18. Analyse continue de l'ECG avec l'ondelette complexe cmor1-1.5.

1
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Module des coefficients WT(a,b)

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30
Echelle a
20
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 3.19. Analyse continue de l'ECG avec l'ondelette complexe ccol.
66
Signa analysé : ECG

1
Complexe QRS
0
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0.5
-0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

2
-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s)
Fig. 3.20. Transformée en ondelettes du signal ECG pour a = 2 et a = 32 (gaus2).

1
0.5 Complexe QRS
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0.2
0.1
-0.1
-0.2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

4
-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s)
Fig. 3.21. Transformée en ondelettes du signal ECG pour a = 2 et a = 32 (cole2).
67
3.4. Conclusion
Le travail présenté dans ce chapitre repose sur l'étude d'une nouvelle série d'ondelettes
réelles et complexe basées sur la distribution de Cole-Cole. On a montré que ces ondelettes
présentent des caractéristiques et des propriétés intéressantes. L'approche ondelette retenue
utilise une décomposition non orthogonale, plus souple au niveau du choix des échelles.
L'emploi de ces ondelettes fractionnaires dans l'analyse continue de quelques types de signaux
connus a dévoilé leurs capacités à se focaliser sur des coefficients d'ondelettes qui permettent
une meilleure détection et une meilleure description des singularités et des discontinuités
caractérisées par l'effet de cône d'influence. C'est-à-dire, des cônes visibles dans la
décomposition continue qui indiquent une irrégularité du signal. En conclusion, ces résultats
modestes serviront de base pour élaborer l'algorithme de détection du complexe QRS dans le
chapitre suivant.
68
Chapitre 4 Ondelettes fractionnaires pour la détection du complexe QRS
Chapitre 4
Ondelettes Fractionnaires pour la

Détection du Complexe QRS
69
4.1. Introduction
La détection du complexe QRS est d’une importance capitale dans les systèmes de
traitement automatique de l’ECG. En effet, une fois les pics R identifiés, il devient facile de
calculer la fréquence cardiaque, d'analyser la variabilité du rythme cardiaque (Heart Rate
Variability, HRV), de segmenter le signal ECG en vue de son analyse battement par battement
ou sa compression et d'analyser la déviation du segment ST dans le but de déceler une ischémie
du myocarde. Les difficultés de la détection de QRS résident, essentiellement, dans la grande
variabilité de la forme du signal parce que leur morphologie varie d'un individu à l'autre, même
chez le même sujet, elle varie d’un cycle à l’autre. En plus, des bruits d’origines diverses
(contractions musculaires EMG, artefacts de mouvement, interférence avec le secteur, bruit
respiratoire, mauvais contact entre les électrodes et la peau, saturation des amplificateurs [15]),
présents dans l'ECG, ainsi que des ondes P et T de grandes amplitudes peuvent aussi être pris
pour des complexes QRS [44]. Une bonne détection des complexes QRS nécessite donc un
traitement du signal plus élaboré. L’idée générale est d’exploiter non seulement la grande
dynamique des ondes R, mais aussi une propriété qui leur est propre : leurs variations rapides.
Depuis plus de trente ans, les chercheurs ont largement travaillé sur la détection du QRS et
ont proposé plusieurs méthodes de détection. Chacune possède des avantages et des
inconvénients en terme de performance et de complexité. Avec les avancées en temps de
calcul dans le domaine informatique, le poids de complexité a diminué par rapport à celui de
la performance. Les performances de ces algorithmes sont mesurées en termes de non
détection, fausse alarme, retard de détection et nombre d'opérations mathématiques. Ces
techniques souffrent de deux problèmes majeurs : le premier est que la bande passante du
complexe QRS diffère d'un individu à l'autre, et même chez le même sujet d'un cycle à l'autre.
La deuxième difficulté est le choix du seuil de décision. Le seuil est généralement fixé
empiriquement, des conditions additionnelles doivent être prises en compte avant la décision
finale. Une méthode de détection utilisant le filtrage numérique adaptatif est proposée dans
[16]. Le filtre adaptatif s'auto ajuste afin de compenser les variations de formes et les
conditions de perturbations accentuées. De ce fait, pendant ces quinze dernières années
plusieurs nouveaux algorithmes ont été proposés. On trouve, par exemple, des méthodes
utilisant les réseaux de neurones, les algorithmes génétiques et la transformée en ondelettes
[8-9, 17, 23, 45-46].
70
Dans ce chapitre, on présente un algorithme de détection du complexe QRS basé sur la

transformée en ondelettes. On exposera l'utilisation d'ondelettes nouvelles réelles et complexes,
qu'on a désignées "fractionnaires" et qui sont dérivées de la fonction de distribution de Cole-Cole
et paramétrées par un coefficient m qui représente l’ordre du système fractionnaire.
4.2. Principe des détecteurs du complexe QRS
L’opération de détection du complexe QRS est réalisée, en général, en deux étapes : une
étape de pré-processing et une étape de décision comme montré sur la figure (4.1) [23]. Le pré-
processeur a pour but d'accroître les amplitudes des complexes QRS et réduire celles des ondes P
et T ainsi que le bruit résiduel. Il peut comporter plusieurs techniques de traitement du signal : la
dérivation non entière, le filtrage passe-bande, le filtrage non linéaire, les réseaux de neurones ou
la transformation en ondelettes. Après, le signal subit une transformation non linéaire, par
exemple, une dérivation pour identifier les fortes pentes autour de l'onde R et une élévation au
carré pour quantifier l'énergie des complexes QRS. La sortie du pré-processeur fournit des
suites d’impulsions qui seront classées comme des complexes QRS ou du bruit. La deuxième
étape consiste, selon des critères de seuillage, en une prise de décision si le maximum est un
vrai pic ou un pic illusoire de l'onde R.
Pré-processeur Règle de décision
ECG Filtrage Transformations Logique de QRS

Décision
linéaire non linéaires détection
Fig. 4.1. Schéma d'un détecteur du complexe QRS.
4.2.1. Pré-processeur
Le pré-processeur, ou étape de prétraitement, a pour but de séparer les signaux utiles des
bruits indésirables. En électrocardiographie, ces bruits sont bien identifiés mais certains ont la
particularité de recouvrir la bande spectrale de l'ECG, ce qui les rend difficile à filtrer. Les
71
principales causes de bruits sont soit techniques, soit physiologiques [47]. Les bruits causés
par les appareils de mesure peuvent être évités alors que le deuxième type de bruits
représentés par l'activité bioélectrique des cellules ne peut pas être contourné. L'étape de
prétraitement est traditionnellement fondée sur le filtrage et la dérivation (au sens
mathématique) du signal. Cette fonction peur être assurée par des filtres numériques de
dérivation première ou seconde ou aussi par une transformation en ondelettes. Les
performances des détecteurs de QRS sont donc très liées à la qualité du filtrage. La figure
(4.2) montre la densité spectrale de puissance de l'ECG et de ses différentes composantes
[48]. Sur cette figure, on peut voir que l'énergie de l'ECG est répartie dans la bande [2 - 40]
Hz qui recouvre aussi celle des bruits cliniques typiques.
Fig. 4.2. Densité spectrale de puissance de l'ECG et de ses différentes composantes.
D’après les données physiologiques, les complexes QRS ont une énergie maximale dans la
bande 5-15 Hz [48]. Il est donc naturel de tenter un filtrage du signal dans cette bande, afin
d'atténuer les composantes non désirables, comme l'onde P, l'onde T, la dérive de la ligne de
base et le bruit causé par le réseau électrique. Un filtre passe haut peut être utilisé pour filtrer
les composantes du bruit de basse fréquence (P, T, fluctuation de la ligne de base) tandis que
72
les perturbations de hautes fréquences seront éliminées par un filtre passe bas, tout en
conservant la bande des fréquences utiles du signal presque inchangée. Les filtrages haut et
bas peuvent être effectués séparément ou par un seul filtre passe bande. Ces filtres passe
bandes numériques ont des fréquences centrales qui se situent dans l'intervalle 10 Hz à 25 Hz
[49]. Les transformations non linéaires (valeur absolue, transformation quadratique,
intégration, produit multi-échelle pour les ondelettes, …) ont pour but d'obtenir pour chaque
complexe QRS un seul pic positif susceptible d'être repéré si sa valeur dépasse un certain
seuil.
4.2.2. Règle de décision

Les stratégies de décision constituent le noyau des algorithmes de détection. Elles
garantissent les bonnes performances de détection. Les impulsions issues du pré-processeur
sont soumises à ces règles de décision. Le signal disponible possède un maximum absolu pour
chaque complexe QRS ; il possède en outre d’autres maxima locaux, de plus faible amplitude
en général, qui correspondent soit à du bruit, soit aux ondes P et T. Cette étape consiste donc
en une recherche de maxima capable de ne pas prendre en considération les maxima trop
faibles qui peuvent correspondre au bruit en effectuant un seuillage en amplitude (Fig. 4.3) et
ceux trop proches qui risquent d’être introduits par les ondes T en effectuant un seuillage
temporel (Fig. 4.4). Les seuils de détection constituent une règle très importante. L’amplitude
des battements pouvant varier fortement au cours d’un même enregistrement et d’un
enregistrement à l’autre, ces seuils ne peuvent pas être fixés à priori, ils sont donc calculés
tout au long de l’analyse [13,15], ce sont des seuils adaptatifs.
4.2.2.1. Seuil adaptatif en amplitude

Le seuil en amplitude permet de distinguer les maxima correspondant aux ondes R de
ceux correspondant aux ondes P et T qui sont, en général, beaucoup plus faibles. L’algorithme
calcule un seuil qui vaut 30 % de l’amplitude moyenne des 10 dernières ondes R détectées et
recherche le prochain maximum :
Seuil_Amp = 0.3 × ARmoy (4.1)
Où ARmoy est l'amplitude moyenne des 10 dernières ondes R détectées :
73
1 n
AR moy = ∑ AR i
10 i = n −9
(4.2)
Où ARi est l'amplitude du pic Ri détecté. Si ce maximum est d’amplitude supérieure au seuil,
il est considéré comme correspondant à un complexe QRS et est ainsi validé ; sinon,
l’algorithme continue jusqu’au maximum suivant (Fig. 4.3). Autrement dit, le seuil est ajusté
tout au long de l’algorithme. Parfois un seul seuil en amplitude peut s'avérer insuffisant et
l'algorithme risque de manquer des ondes R de petites amplitudes à cause de cas
pathologiques. Pour cela, une étape de rattrapage des ondes R oubliées doit être envisagée en
adoptant d'abord un seuillage temporel permettant de définir s'il y a eu une onde R ratée, et
ensuite l'application d'un deuxième seuil en amplitude habituellement pris comme un
pourcentage du premier seuil (Fig. 4.3).
10
Fig. 4.3. Calcul du seuil adaptatif en amplitude [13].
4.2.2.2. Seuil adaptatif en temps

Pour pallier cette difficulté et rattraper les battements manqués, on tient compte de la
forte probabilité d’observer un QRS dans un certain intervalle de temps qui vaut 150% de la
moyenne des 10 derniers intervalles RR validés. On calcule le seuil en temps par :
Seuil_Temp = 1.5 × RRmoy (4.3)
74
Où RRmoy est la moyenne des 10 derniers intervalles RR. L'intervalle RR représente la

différence des positions de deux pics R successifs :
RR = RN - RN-1 (4.4)
Si aucun nouveau complexe n’est détecté dans cet intervalle, l’algorithme revient, dans ce cas,
à la dernière détection validée et réexamine cet intervalle avec un seuil abaissé à 10% de la
moyenne des 10 derniers maxima, au lieu des 30% précédents (Fig. 4.4), c'est la recherche
arrière. Ce système permet, dès lors, la détection d'éventuels complexes de petites amplitudes
précédemment oubliés.
150%
Fig. 4.4. Calcul du seuil adaptatif en temps [13].
4.2.2.3. Période réfractaire

En plus des seuils de détection en amplitude et en temps, et afin d'améliorer le taux de
détection et réduire le nombre de fausse alarme (fausse détection) et de non détection, les
événements détectés dans l'intervalle de 200 ms suivant un complexe QRS détecté sont
ignorés. Cet espace de temps correspond à la durée de la phase réfractaire du potentiel
d'action. Elle vaut 72 échantillons puisque les signaux tests sont échantillonnés à 360 Hz [15].
75
4.3. Etat de l'art sur la détection du complexe QRS
Nous présentons dans cette partie, de façon très sommaire et non exhaustive, quelques
algorithmes de détection du complexe QRS. La plupart de ces détecteurs utilisent une seule
voie de l'ECG [49].
- Algorithmes basés sur le calcul de la dérivée entière : ces algorithmes sont basés sur le
calcul des dérivées premières et secondes du signal ECG et l'élaboration d'un seuil combinés
avec d'autres traitements (valeur absolue, lissage, sommation pondérée, élimination de la
valeur moyenne).
- Algorithmes basés sur le calcul de la dérivée non entière : leur principe repose sur la
conception de filtres (passe bande et passe bas) à phase linéaire basés sur la dérivation non
entière. La fréquence centrale ainsi que les coefficients des filtres sont fonction des ordres de
dérivation non entière. Les différents paramètres de ces filtres sont optimisés en utilisant des
modèles fractionnaires de la densité spectrale de puissance du complexe QRS [15,50].
- Algorithmes basés sur les réseaux de neurones : un réseau de neurones est une somme
pondérée de fonctions non-linéaires paramétrées, appelées "neurones cachés", des variables de
la fonction à modéliser. Chaque neurone caché est généralement la tangente hyperbolique
d’une somme pondérée des variables du modèle. Xue et al. [45] ont développé un algorithme
de détection du complexe QRS qui utilise un filtre adaptatif basé sur les réseaux de neurones,
généralement utilisé en reconnaissance de forme, pour éliminer la corrélation dans les
composantes basses fréquences de l'ECG et du bruit qui l'affecte. Ils ont appliqué un filtre
adapté pour la détection du complexe QRS dans le signal issu de ce prétraitement.
- Algorithmes basés sur la transformée en ondelettes : l'idée de la transformée en

ondelettes a été exploitée dans de nombreux travaux récents pour détecter les complexes QRS
et les ondes P et T. Par cette approche, on peut réaliser un filtre passe bande de type RIF à
phase linéaire dont la fréquence centrale dépend de l'échelle. La détection du complexe QRS
par ondelettes sur plusieurs échelles permet une bonne localisation du QRS. En effet,
lorsqu’une ondelette mère utilisée pour la décomposition du signal ECG est assez régulière,
76
les passages par zéro ou les maxima du module obtenus sur les coefficients d'ondelettes
correspondent aux extrema locaux du signal original.
4.4. Validation et caractérisation des algorithmes de détection
La validation des méthodes de détection est réalisée sur des signaux ECG sélectionnés
dans des bases de données standard manuellement annotées par des cardiologues. On peut
citer la base d'arythmies MIT-BIH (Massachusetts Institute of Technology-Beth Israel
Hospital) de Physionet [26] et la base AHA (American Heart Association). Pour notre part, on
a utilisé les signaux tests de la base MIT-BIH.
4.4.1. Base de données MIT-BIH

4.4.1.1. Description
Cette base a été établie par des chercheurs afin d'être utilisée comme une référence pour
la validation et la comparaison des algorithmes de détection du complexe QRS du signal
ECG. Elle contient deux dérivations : MLII et V5. Elle est constituée de 48 enregistrements
de 30 min chacun échantillonnés à une fréquence de 360 Hz. Un avantage de cette base est
qu’elle couvre un grand nombre de pathologies, ce qui permet de valider la détection des
ondes R pour un grand nombre de cas. Les signaux sont numérotés de 100 à 124 pour le
premier groupe qui comporte une variété de formes d'ondes et de 200 à 234 pour le deuxième
qui comporte une variété de cas pathologiques. Chaque enregistrement a été annoté
indépendamment par plusieurs cardiologues (deux au moins) rendant l'étude, ainsi, plus
pratique. L'annotation est une date avec un label. La date correspond au moment d'apparition
du pic R du complexe QRS et le label correspond au type du QRS (PVC, BBD, etc.).
4.4.1.2. Fichiers de la base MIT-BIH

Pour chaque enregistrement de la base de données, on distingue trois fichiers avec les
extensions : dat, hea et atr.
a. Fichier de données (*.dat)

Il contient les données numérisées du signal ECG. Deux signaux différents correspondant
aux deux dérivations sont stockés dans le même fichier, exemple : 100.dat.
77
b. Fichier header (*.hea)

C'est un fichier entête ; il contient les paramètres d'interprétation du fichier de données
correspondant et qui permettent au programme de l'utiliser (fréquence d'échantillonnage, gain
d'amplification, dérivations utilisées, nombre d'échantillons, pathologie, etc.).
c. Fichier annotation (*.atr)

Il comporte les positions ou les moments d'apparition des pics R du complexe QRS du
signal données. Ces emplacements ont été marqués manuellement par plusieurs cardiologues.
On trouve un nombre donnant l'ordre du pic R ainsi qu'une marque correspondant au type du
QRS (normal ou anormal).
4.4.2. Paramètres d'évaluation des performances

Les complexes QRS détectés seront comparés au fichier d’annotation associé à chaque
enregistrement de la base de données pour déterminer l’erreur. Les performances de
l'algorithme de détection sont évaluées en terme de :
- nombre de QRS correctement détectés TP (True Positive),
- nombre de QRS faussement détectés FP (False Positive) : c'est le nombre d’ondes R qui ont
été détectées par l’algorithme alors qu’elles ne font pas partie de cette catégorie. Ces erreurs
peuvent correspondre à des emplacements repérés par l’algorithme alors qu’il n’y avait
aucune onde caractéristique, ou encore qu’il s’agit d’une autre onde caractéristique ou du
bruit,
- nombre de QRS oubliés FN (False Negative) : c’est le nombre d’ondes étiquetées R que
l’algorithme n’a pas détectées.
La procédure généralement utilisée pour le calcul des valeurs de TP, FP et FN est expliquée
dans ce qui suit [51]. Notons par ti l'instant du ième complexe QRS manuellement marqué par
les cardiologues dans un enregistrement ECG de la base de données, et notons par tj l'instant
du jème complexe QRS automatiquement détecté par l'algorithme. Un battement tj est
considéré comme étant bien détecté (TP), si on a, pour un seuil choisi θ :
t j − ti ≤ θ (4.5)
78
Une fausse détection (FP) se produit lorsque tj se trouve à une distance supérieure à θ de ti
pour tout ti. Finalement, un battement est considéré absent (FN) si aucune détection ne se
produit à une distance plus petite que θ de ti pour tout ti.
Pour la valeur du paramètre θ de l'équation (4.5), nous l'avons choisi égal à 120 ms
correspondant à la largeur d'un complexe QRS typique. Ceci est fait car lorsque le
cardiologue marque un complexe QRS, il ne le fait pas forcément sur le sommet du pic R,
mais quelque part à l'intérieur du complexe QRS. Pour juger de la qualité du détecteur, trois
grandeurs sont habituellement mesurées :
- La sensibilité (Sensitivity), appelée aussi Probabilité de Détection, Se, définie par :
TP
Se (%) = ×100 (4.6)
TP + FN
- La spécificité ou la prédictibilité positive (Positive Predictivity), P+, donnée par :
TP
P + (%) = ×100 (4.7)
TP + FP
- Le taux d’erreur donné par :
FN + FP
TE(% ) = ×100 (4.8)
NBT
Où NBT est le nombre de battements (nombre de QRS total qui est égal à la taille du vecteur
annotation après lecture de *.atr). Le taux de détection (TD) est défini par :
TD(% ) = 100 − TE(% ) (4.9)
4.5. Détection du complexe QRS
Cette partie présente les détails de l'algorithme de détection du complexe QRS sur une
seule voie. A première vue, cette détection semblerait pouvoir être effectuée par un simple
seuillage du signal (Fig. 4.5), car les ondes R sont, en général, de plus grande amplitude que
les autres. Mais ce n’est pas le cas chez tous les patients : parfois, l’onde T est d’amplitude
comparable, ce qui pourrait être une sérieuse cause d’erreur (Fig. 4.6). Une bonne détection
79
des complexes QRS nécessite donc un traitement du signal plus élaboré. Dans cette
contribution [43,52-54], et pour localiser efficacement les instants d'occurrence de l'onde R
dans l'ECG, nous présentons une méthode basée sur "les maxima du module" de la
transformée en ondelettes continue (TOC) à partir d'ondelettes fractionnaires réelles et
complexes construites par dérivation et modulation de la fonction de Cole-Cole (Eq. 3.4 et
3.6). Cette méthode détecte les valeurs maximales des coefficients ondelettes à travers les
échelles. Cette technique s'avère très utile pour l'analyse de l'ECG, qui est caractérisé par des
ondes localisées en temps ayant des composantes fréquentielles diverses. De plus, les
différents types de bruit, affectant l'ECG, apparaissent à des bandes fréquentielles apparentes,
et ont donc différentes contributions à des échelles distinctes. De ce fait, notre algorithme de
détection du complexe QRS examinera les étapes suivantes :
Fig. 4.5. Signal ECG normal avec des ondes R de grande amplitude.
Fig. 4.6. Signal ECG avec ondes T d'amplitude importante.
80
- Filtrage numérique : transformation en ondelettes du signal ECG pour les échelles

dyadiques 2j, j = 1, 2, 3, 4 et 5.
- Transformation non linéaire : sélection de deux échelles correspondant à la bande passante
la plus favorable à la détection du complexe QRS afin d'effectuer un produit multi-échelle des
deux signaux transformés correspondants. On applique ensuite la méthode des "maxima du
module" sur le produit pour obtenir notre signal à seuiller STC (Sequence to be Threshold
Compared). La prise de décision se réalisera sur ce dernier signal.
- Prise de décision : calcul des différents seuils adaptatifs (en amplitude et en temps) et
sélection des maximums ayant dépassé le seuil en amplitude. Enfin, décider si le maximum
est un vrai pic ou un pic illusoire de l'onde R.
4.5.1. Filtrage par transformation en ondelettes
Dans cette partie, un seul filtre a été mis en œuvre, il est basé sur une décomposition du
signal par le biais de la transformée en ondelettes continue fondée sur des ondelettes
fractionnaires (coleN et ccol) issues de la distribution de Cole-Cole. La transformée en
ondelettes du signal ECG est donnée par (Eq. 2.13) :
1 +∞ t−b
WT(a , b ) =
a
∫−∞
ECG(t )ψ ∗  dt
 a 
(4.10)
Pour a = 2j, j = 1, 2, 3, 4 et 5. ψ*(t) est le complexe conjugué de l'ondelette fractionnaire. On

obtient une matrice composée de cinq lignes correspondant aux cinq échelles choisies et N
colonnes, où N est la taille du signal ECG. Chaque ligne coïncide avec le signal transformé en
ondelettes de l'ECG pour l'échelle a.
On peut voir la transformée en ondelettes continue comme un produit de convolution pour
une échelle "a" fixée (Eq. 2.14). En effet :
WT(a , b ) = ECG(t ) ∗ ψ ∗a (t ) (4.11)
1 ∗ t 
Avec : ψ ∗a (t ) = ψ − 
a  a
81
De ce fait, et comme Ψ (ω) ω=0 = 0 (car ψ est de moyenne nulle), la transformée en ondelettes
du signal ECG est le résultat du filtrage de ce signal avec un filtre passe bande de fonction de
transfert Ψ(ω). L’effet du filtrage est caractérisé par la multiplication du spectre ECG(ω)
par a Ψ (aω) (Eq. 2.16). Pour une ondelette Ψ(ω) de fréquence centrale f0 et de bande de
fréquence B, le paramètre "a" définit un nouveau gabarit de filtre de fréquence centrale f0/a et
de bande B/a. Ainsi, l’analyse en ondelettes continue peut s’interpréter comme une analyse à
banc de filtre.
4.5.1.1. Choix du paramètre m

Le paramètre m dans les équations (3.1) et (3.2) représente une caractéristique de la
distribution de Cole-Cole et du système fractionnaire associé. Il est utilisé pour modifier la
forme de la distribution de Cole-Cole (Fig. 3.1), et donc des ondelettes proposées. Ce
paramètre est choisi de façon à maximiser le rapport signal sur bruit (SNR) donné par
l'équation [53,55] :
(
E ECG(k )
2
)
SNR (m ) = (4.12)
(
E (TOECG(k ) − ECG(k ))
2
)
Où ECG(k) représente le signal ECG et TOECG(k) est sa transformée en ondelettes utilisant
une ondelette fractionnaire avec différentes valeurs de m. La figure 4.7 montre les variations
du rapport signal sur bruit (SNR) en fonction du paramètre m pour trois signaux ECG les plus
difficiles (105, 203 et 208) de la base de données MIT-BIH. Le maximum du SNR est atteint
pour une valeur de l'ordre fractionnaire m = 0,79.
4.5.1.2. Sélection des échelles de décomposition

En fixant l'ordre m égal à 0,79, une démarche importante à réaliser est de sélectionner les
échelles de décomposition qui vont nous être utiles [53]. La figure 4.8 présente le spectre
d'amplitude de l'ondelette fractionnaire proposée, cole2, pour différentes valeurs de l'échelle
"a" choisies selon une suite dyadique a =2j (j ∈ Z). Le tableau 4.1 contient la fréquence
centrale ainsi que la bande passante pour ces mêmes échelles ; la fréquence centrale pour
chaque échelle est déduite de la relation :
fa = f0 / a (4.13)
Où f0 est la fréquence centrale de l'ondelette mère.
82
2.5
SNR 1.5
0.5
0
0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95
parameter m
Fig. 4.7. Variations du rapport signal sur bruit (SNR) en fonction de m

pour trois enregistrements 105, 203 et 208.
Fig. 4.8. Spectre d'amplitude de l'ondelette cole2 pour les échelles 21, 22, 23, 24 et 25.
83
Tableau 4.1. Bande passante et fréquence centrale de l'ondelette cole2

pour les échelles 21, 22, 23, 24 et 25.
Fréquence centrale Fréquence de coupure Fréquence de coupure

Echelle a
(Hz) basse (Hz) haute (Hz)
21 109,3 54 177,3
22 53,1 27,03 88,7
23 25,2 13,6 44,35
24 12.6 6,86 22,31
25 6,3 3,63 11,14
De la même manière, la bande passante pour chaque échelle est retenue de celle de l'ondelette
mère par le biais de la relation (2.16). On peut en déduire que pour les échelles 23, 24 et 25, la
bande passante de l'ondelette contient une bonne partie du spectre du complexe QRS. En se
basant sur la valeur de la fréquence centrale pour chaque échelle, on choisira, par la suite, les
échelles de décomposition 23 et 24 car elles interprètent le plus le spectre du complexe QRS.
Donc, le choix de ces deux échelles permettra de préserver le contenu fréquentiel du
complexe QRS, tout en atténuant les composantes indésirables de l'ECG.
4.5.2. Transformation non linéaire : produit multi-échelle

Le fait d'utiliser différentes échelles va permettre de travailler dans des bandes de
fréquences les plus favorables à la détection des QRS, tout en ayant filtré une partie du bruit.
Sadler et al ont étudié l'efficacité de la méthode du produit multi-échelle en présence du bruit
[56]. Après transformation en ondelettes continue du signal ECG, on effectue le produit multi-
échelle des coefficients pour les deux échelles utilisées. Cette analyse calcule le produit
suivant :
j= j1
Pj ( t ) = ∏ WT(2 j , b) (4.14)
j= j0
84
Le signal Pj(t) tend à rehausser les maxima en atténuant les faux pics. Ce produit ressortira
des pics aux transitions présentes dans le signal et présentera de faibles valeurs ailleurs. Dans
cette opération non linéaire sur les coefficients WT(2j,b), les complexes QRS produisent, à
travers les échelles, des pics observés dans les coefficients de la transformée en ondelettes qui
sont renforcés par le produit Pj(t). La figure 4.9 illustre un exemple de produit multi-échelle
appliqué à un échantillon du signal ECG où l'on peut remarquer des pics R amplifiés avec
réduction du bruit. Enfin, la méthode "maxima du module" permettra d'obtenir un seul point
pour chaque pic et évitera d'avoir des pics des deux côtés de l'axe des temps.
1
0
(a)
-1
0 0.25 0.5 0.75 1
1
0.5
(b)
0
-0.5
0 0.25 0.5 0.75 1
2
1
(c)
0
-1
0 0.25 0.5 0.75 1
2
(d)
0
-2
0 0.25 0.5 0.75 1
1.5
0.5
(e)
-0.5
0 0.25 0.5 0.75 1
4
2
(f)
0
0 0.25 0.5 0.75 1
Temps (s)
Fig. 4.9. Exemple de produit multi-échelle.

(a) échantillon d'un signal ECG,
(b), (c), (d) transformée en ondelettes pour a = 21, 22 et 23 respectivement,
(e) produit multi-échelle des coefficients correspondant à 21 et 22,
(f) produit multi-échelle des coefficients correspondant à 22 et 23.
85
4.5.3. Prise de décision

La stratégie de décision constitue le noyau de l'algorithme de détection ; elle garantit les
bonnes performances de détection. A l’issue du traitement précédent, le signal disponible
(STC) possède un maximum absolu pour chaque complexe QRS ; il possède en outre d’autres
maxima locaux, de plus faible amplitude en général, qui correspondent soit au bruit, soit aux
ondes P ou T. La règle de décision est définie comme un franchissement de l'amplitude du
signal STC au dessus d'un seuil dont la valeur est fixée adaptativement. Quand l'amplitude
atteint le seuil de détection calculé, l'algorithme marquera ce temps comme étant l'instant
d'occurrence de l'onde R. A ce moment-là, on effectuera deux opérations :
1. test effectué sur l'amplitude de ce pic R si elle est inférieure à deux fois la valeur
précédente de ARmoy ; si oui, on calcule la nouvelle moyenne des dix derniers pics R détectés,
ARmoy, pour évaluer le nouveau seuil en amplitude en utilisant l'équation (4.1) ; sinon, on
gardera la même valeur de ARmoy et donc, le même seuil précédent [8] ;
2. calcul du nouveau seuil en temps en utilisant l'équation (4.3).
Après, une nouvelle détection sur ce signal est autorisée 200 ms après l'onde R détectée
précédemment. Cette valeur correspond à la durée de la phase réfractaire. Cette procédure de
décision est schématisée sur l'organigramme ci-dessous.
Un pic du STC
Non
pic > seuil_amp
Oui Mémoriser sa position
Calculer RR, RRmoy et

seuil_temp
Non
pic < 2 × ARmoy
Oui
Garder même ARmoy et Calculer ARmoy et seuil_amp

même seuil_amp
Ignorer les 72 points suivants

(période réfractaire)
Un autre pic du STC
86
4.6. Applications de l'algorithme de détection
Dans ces applications, l'algorithme proposé est testé sur des enregistrements ECG réels
de la base "MIT-BIH arrhythmia database" [26]. Une seule voie a été utilisée (MLII). Ces
signaux comprennent différents types de pathologies cardiaques (bloc de branche droit et
gauche, fibrillation auriculaire, tachycardie ventriculaire, fibrillation ventriculaire, ...). Les
résultats sont comparés avec ceux obtenus avec d'autres ondelettes similaires (gaus2, gaus1,
cmor). Également, cette analyse nous permettra de comparer ces résultats avec des travaux et
algorithmes de la littérature utilisant cette même base de données.
4.6.1. Première application : ondelette réelle cole2

Dans cette première étude, la transformée en ondelettes utilise l'ondelette deuxième
dérivée de la fonction de Cole-Cole : cole2. Cette ondelette est similaire aux complexes QRS
à détecter [53].
4.6.1.1. Prétraitement
La transformée en ondelette continue est calculée dans le domaine temporel. Dans les
figures 4.10 à 4.13, on représente en (a) une section du signal ECG, les signaux (b) et (c)
exposent sa transformée en ondelettes continue pour les échelles 23 et 24 respectivement et
enfin, en (d), on montre le signal STC qui représente les maxima du module du produit multi-
échelle des coefficients ondelettes correspondant aux échelles 23 et 24.
4.6.1.2. Règle de décision

Après prétraitement, le signal disponible en (d), appelé communément signal à seuiller,
possède un maximum absolu qui peut être un pic R ou du bruit. En utilisant l'équation (4.1),
on peut calculer les différents seuils de décision. Si un maximum dépasse le seuil de
détection, il est considéré comme un pic R ; il est ainsi validé et son instant d'occurrence est
marqué. Son amplitude est utilisée pour estimer ARmoy et déterminer, ainsi, le nouveau
seuil_amp. L'étape de rattrapage des pics R éventuellement omis par l'algorithme, appelée
souvent recherche arrière, est réalisée sur l'un des coefficients ondelettes correspondant à
l'échelle 23 ou 24. Le seuil arrière utilisé, seuilAR, est donné par :
87
(
seuilAR = 0,3 × WT 2 j , b kj ) pour j = 3, 4 (4.15)
k = 1...N
Où WT(2j,bkj) est la valeur du maximum du coefficient ondelette à l'échelle 2j correspondant à

la position bkj du dernier pic R détecté dans le signal à seuiller (STC).
4.6.1.3. Résultats, discussion et comparaison

Les figures 4.10 à 4.13 présentent quelques exemples de prétraitement des signaux ECG
réels pour la détection de complexes QRS. Les cas désignés comportent des exemples de :
- signal de qualité acceptable (100.dat) : son examen ne pose, quasiment, pas de problème.
Le signal à seuiller comporte des pics R bien visibles et de grandes amplitudes. Un simple
seuillage permettra de détecter tous les pics ;
- signal avec un saut abrupt de la ligne de base (101.dat) : ce saut provoquera des fausses
détections (FP) à cause des transitions qui vont être prises pour des pics R par l'algorithme de
détection ; mais cela peut être corrigé dans la deuxième application en utilisant l'ondelette
cole1 ;
- signal avec des complexes QRS comportant deux pics R (102.dat) : l'algorithme a prévalu,
dans le signal à seuiller, le pic de plus grande amplitude. Toutefois, même si ce pic n'est pas
celui annoté dans la base, il reste très proche de ce dernier et il est, de ce fait, considéré
comme un point appartenant au complexe QRS ;
- signal avec déviation graduelle de la ligne de base (105.dat) : on peut remarquer des ondes
R d'amplitudes fortement atténuées dans le signal à seuiller (STC) mais, qui gardent des
amplitudes suffisantes dans les coefficients ondelettes correspondant aux échelles. Une
recherche arrière peut corriger quelques défauts ;
88
(a) 0
-1
0 200 400 600 800 1000 1200 1400 1600 1800 2000
4
2
(b)
-2
0 200 400 600 800 1000 1200 1400 1600 1800 2000
5
(c)
-5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
15
10
(d)
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Nombre d'échantillons
Fig. 4.10. (a) signal ECG : 100.dat, (b) et (c) sa transformée en ondelettes (cole2)
pour 23 et 24, (d) signal STC (maxima du module du produit multi-échelle).
5
(a)
-5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
5
(b)
-5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
5
(c)
-5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
20
(d)
10
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
89
(a) 0
-1
0 500 1000 1500 2000 2500
4
2
(b)
-2
0 500 1000 1500 2000 2500
4
2
(c)
-2
0 500 1000 1500 2000 2500
6
4
(d)
0
0 500 1000 1500 2000 2500
5
(a)
-5
0 500 1000 1500 2000 2500
4
2
(b)
-2
0 500 1000 1500 2000 2500
5
(c)
-5
0 500 1000 1500 2000 2500
15
10
(d)
0
0 500 1000 1500 2000 2500
90
Le tableau 4.2 montre les détails de la détection des complexes QRS pour chaque signal ECG.
L'analyse des résultats du tableau confirme que l'algorithme peut identifier la position de
l'onde R avec une précision raisonnable. En fait, la sensibilité "Se" et la valeur de la
prédictibilité positive "P+" ont été calculées et ont données respectivement 99.67% et 99.56%
pour un nombre de battements total égal à 98302. Le taux d'erreur "TE" est de 0.76%, ce qui
nous donne un taux de détection total "TDT" égal à 99.24% de QRS repérés. Néanmoins, il y
a quelques enregistrements qui n'ont pas été utilisés dans cette première application de
l'ondelette fractionnaire (108, 114, 201, 203 et 223) et qui sont la cause d'une baisse du taux
de détection au-dessous de 99%.
Les figures 4.14 à 4.17 présentent quelques exemples de détection du complexe QRS pour les
signaux 100, 101, 102 et 105. On représente, en (a), une portion du signal original, en (b),
l'annotation correspondante donnant l'endroit de chaque pic R et en (c), les positions des pics
R détectées par l'algorithme.
- pour la figure 4.14, tous les pics ont été bels et bien détectés, ceci est certifié par le taux
d'erreur zéro pour cet enregistrement ;
- pendant l'enregistrement de la figure 4.15, il y a eu, aux transitions, deux fausses alarmes
(FP = 2) repérées par l'algorithme comme étant des pics R, en plus d'un QRS oublié (FN = 1)
à cause de son amplitude faible ;
- la figure 4.16 présente des complexes QRS comprenant plus d'un pic R, mais cela n'a pas
causé d'erreur ; un taux de détection de 100% est obtenu ;
- les amplitudes des QRS, dans la figure 4.17, diminuent graduellement avec la ligne de base.
Ceci a occasionné l'oubli de plusieurs complexes.
4.6.2. Deuxième application : ondelettes réelles cole2 et cole1

Dans cette deuxième variante, nous avons utilisé, en plus de l'ondelette cole2, l'ondelette
cole1 pour un éventuel test de passage par zéro. Le principe est simple : l'ondelette cole2 est
la dérivée de l'ondelette cole1, donc, le maximum de cole2 correspond à un passage par zéro
de cole1. Ce second critère nous permettra de réduire le nombre de fausse alarme (FP) obtenu
dans l'analyse précédente. Dans cette approche, on a utilisé tous les signaux ECG de la base
de données MIT-BIH, c'est-à-dire, 24 heures. La transformée en ondelettes continue est
calculée pour les deux ondelettes. Toutefois, pour l'ondelette cole1, on utilisera une seule
échelle caractéristique qui inclut le mieux possible la bande passante du complexe QRS : 24.
91
Tableau 4.2. Résultats de la détection du complexe QRS testée sur la base MIT-BIH.
Première application : ondelette cole2.
N° Enr. NBT FN FP Se (%) P+ (%) TE (%)
100 2273 0 0 100,00 100,00 0,00
101 1865 2 5 99,89 99,73 0,38
102 2187 0 0 100,00 100,00 0,00
103 2084 0 0 100,00 100,00 0,00
104 2229 4 5 99,82 99,78 0,40
105 2572 15 81 99,42 96,93 3,73
106 2027 40 3 98,03 99,85 2,12
107 2137 9 1 99,58 99,95 0,47
108
109 2532 5 0 99,80 100,00 0,20
111 2124 6 154 99,72 93,22 7,53
112 2539 0 0 100,00 100,00 0,00
113 1795 0 0 100,00 100,00 0,00
114
115 1953 0 0 100,00 100,00 0,00
116 2412 25 3 98,96 99,87 1,16
117 1535 0 0 100,00 100,00 0,00
118 2278 0 0 100,00 100,00 0,00
119 1987 0 1 100,00 99,95 0,05
121 1863 3 46 99,84 97,59 2,63
122 2476 0 1 100,00 99,96 0,04
123 1518 3 0 99,80 100,00 0,20
124 1619 17 48 98,95 97,09 4,01
200 2601 3 3 99,88 99,88 0,23
201
202 2136 17 0 99,20 100,00 0,80
203
205 2656 6 0 99,77 100,00 0,23
207 1860 15 7 99,19 99,62 1,18
208 2955 47 11 98,41 99,62 1,96
209 3004 0 1 100,00 99,97 0,03
210 2650 44 7 98,34 99,73 1,92
212 2748 0 0 100,00 100,00 0,00
213 3251 9 2 99,72 99,94 0,34
214 2261 10 1 99,56 99,96 0,49
215 3363 1 1 99,97 99,97 0,06
217 2208 2 1 99,91 99,95 0,14
219 2154 7 0 99,68 100,00 0,32
220 2048 0 0 100,00 100,00 0,00
221 2427 11 1 99,55 99,96 0,49
222 2483 6 1 99,76 99,96 0,28
223
228 2053 8 44 99,61 97,89 2,53
230 2256 0 0 100,00 100,00 0,00
231 1571 0 0 100,00 100,00 0,00
232 1780 0 1 100,00 99,94 0,06
233 3079 5 0 99,84 100,00 0,16
234 2753 0 0 100,00 100,00 0,00
Totaux → 98302 320 429 99,67 99,56 0,76
92
(a) 0.5
-0.5
-1
0 500 1000 1500 2000 2500 3000
1.5
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000
Fig. 4.14. Exemple de détection du complexe QRS (100.dat) :

(a) signal ECG, (b) annotation, (c) positions détectées par l'algorithme (cole2).
2
(a)
-2
-4
0 500 1000 1500 2000 2500 3000
1.5
1
FN
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
FP FP
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000

93
(a) 0.5
-0.5
-1
0 500 1000 1500 2000 2500
1.5
1
(b)
0.5
0
0 500 1000 1500 2000 2500
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500

2
(a)
-2
-4
0 500 1000 1500 2000 2500 3000
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000

94
Dans les figures 4.18 à 4.23, on représente en (a) une section du signal ECG, le signal en
(b) montre les maxima du module du produit multi-échelle des coefficients ondelettes
identiquement à la première application et enfin, en (c), on expose la transformée en
ondelettes continue utilisant cole1.

En deuxième étape de cette analyse, la règle de décision appliquée au signal à seuiller,
présent cette fois-ci en (b), est pratiquement la même, hormis quelques améliorations : un
maximum dépassant le seuil de détection est considéré comme un pic R s'il coïncide avec un
passage par zéro, à la même position, dans le signal en (c). Ce pic R est, de ce fait, validé et
son instant d'occurrence est marqué. La recherche arrière des pics R, éventuellement oubliés
par l'algorithme, est réalisée sur le signal à seuiller lui-même (en b). Le seuil arrière utilisé,
pour ce cas, est donné par :
seuilAR = 0.5 × seuil_amp . (4.16)

Les résultats du prétraitement, représentés sur les figures 4.18 à 4.23, fournissent
quelques exemples de test du passage par zéro utilisant l'ondelette cole1. On a introduit les
enregistrements écartés dans le premier cas :
- signal 100.dat : vu la bonne qualité de cet enregistrement, on représente, sur la figure 4.18,
un seul QRS. On constate que le pic R, présent dans le signal à seuiller (b), coïncide avec un
passage par zéro en (c) ;
- signal 101.dat : le problème des transitions prises, auparavant, pour des pics R est corrigé
(Fig. 4.19). On remarque un rejet des maximums causés par ces transitions car elles ne
marquent pas de passage par zéro en (c) ;
- signal 102.dat : dans la figure 4.20, entre deux pics R appartenant à un même complexe
QRS, la sélection du pic R de grande amplitude est effectué par le biais du test de passage par
zéro ;
- signal 105.dat : les pics R, malgré fortement atténués en (b), correspondent bien à un
passage par zéro en (c) (Fig. 4.21). Une recherche arrière peut récupérer quelques pics ratés ;
- signal avec des ondes P de grandes amplitudes (108.dat) : les ondes R, malgré inversés,
marquent une amplitude remarquable dans le signal à seuiller avec validation d'un passage par
95
zéro ; cela rend la détection plus aisée malgré la présence d'ondes P de grandes amplitudes
(Fig. 4.22) ;
- signal avec bruit haute fréquence (203.dat) : le prétraitement a mis en évidence les pics R
malgré la présence du bruit haute fréquence. Le signal à seuiller montre des pics dominants
correspondant à des ondes R et vérifiant le test de passage par zéro (Fig. 4.23).
0.5
(a)
-0.5
0 50 100 150
10
(b)
0
0 50 100 150
0.5
(c)
-0.5
-1
0 50 100 150
Fig. 4.18. (a) signal ECG : 100.dat, (b) maxima du module du produit multi-échelle
pour 23 et 24 (cole2), (c) passage par zéro dans la TOC pour 24 (cole1).
96
2
(a)
0
-2
-4
1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200
15
10
(b)
0
1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200
0
(c)
-2
-4
1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200
0.5
(a)
-0.5
0 50 100 150 200 250 300 350 400 450 500
3
(b)
0
0 50 100 150 200 250 300 350 400 450 500
0.5
(c)
-0.5
-1
0 50 100 150 200 250 300 350 400 450 500
97
2
(a)
1
-1
400 600 800 1000 1200 1400
15
10
(b)
0
400 600 800 1000 1200 1400
0
(c)
-1
-2
400 600 800 1000 1200 1400
0
(a)
-0.5
-1
0 100 200 300 400 500 600
1.5
(b)
0.5
0
0 100 200 300 400 500 600
0.5
(c)
-0.5
0 100 200 300 400 500 600
98
1
(a)
-1
-2
1500 1600 1700 1800 1900 2000 2100 2200 2300 2400 2500
30
20
(b)
10
0
1500 1600 1700 1800 1900 2000 2100 2200 2300 2400 2500
1
(c)
-1
-2
1500 1600 1700 1800 1900 2000 2100 2200 2300 2400 2500
99
Dans le tableau 4.3, on remarque une amélioration des pourcentages de détection avec une
diminution des fausses alarmes. L'analyse des résultats du tableau confirme que l'algorithme
peut identifier la position de l'onde R avec une précision plus rationnelle si on compare avec
le premier cas. En fait, la sensibilité "Se" est évaluée à 99.66%, tandis que la prédictibilité
positive "P+" est appréciée à 99.84%, et cela pour un nombre de battements total égal à
109492. Les taux d'erreur "TE" ont varié entre 0% et 4,08% avec une moyenne de 0.5%, ce
qui nous donne un taux de détection total "TDT" égal à 99.50% de QRS repérés. Toutefois, il
ne faut pas oublier qu'on a utilisé, cette fois-ci, toute la base de données, ce qui nous permet
de témoigner de l'amélioration de cette analyse par rapport à la précédente.
Le même algorithme a été appliqué en utilisant les ondelettes dérivées première et deuxième
de la gaussienne (gaus2 et gaus1). Les résultats sont présentés dans le tableau 4.4. Les taux
d'erreur "TE" se situent entre 0% et 4,53% avec une moyenne de 0.53%, ce qui nous donne un
taux de détection total "TDT" égal à 99.47% de QRS repérés.
Dans l'ensemble, une comparaison préliminaire montre que l'algorithme proposé présente
quelques avantages, en particulier, en ce qui concerne le taux de détection total. Néanmoins,
en comparant, dans le tableau 4.5, les résultats pour les enregistrements les plus difficiles de
la base, on remarque une nette primauté des ondelettes gaussiennes sur les ondelettes
fractionnaires. Toutefois, ces ondelettes fractionnaires présentent des solutions prometteuses
pour l'élaboration des algorithmes de traitement du signal ECG en vue d'une caractérisation de
ses différentes ondes.
Dans les figures 4.24 à 4.28, on a exposé quelques échantillons de détection du complexe
QRS comparés aux annotations données :
- le signal 100.dat n'a pas été tracé car il est sans complication et son taux de détection est de
100% ;
- la figure 4.24 confirme que le test de passage par zéro élimine les pics correspondant aux
sauts abrupts de la ligne de base, malgré leurs amplitudes dominantes dans le signal à seuiller.
Cela contribuera à la réduction des fausses détections ;
- l'enregistrement de la figure 4.25 est sans anomalie. Toutes les ondes sont belles et bien
repérées ;
- le test de passage par zéro participe à la réduction du taux de fausses détections. Mais, il
reste sans efficacité vis-à-vis des QRS ratés à cause de leurs amplitudes faibles. Pour cela, le
signal de la figure 4.26, présentant une déviation graduelle de la ligne de base, montre des
lacunes dans plusieurs QRS ;
100
Deuxième application : ondelettes cole1 et cole2.
100 2273 0 0 100,00 100,00 0,00
101 1865 1 0 99,95 100,00 0,05
102 2187 0 0 100,00 100,00 0,00
103 2084 1 0 99,95 100,00 0,05
104 2229 4 6 99,82 99,73 0,45
105 2572 11 36 99,57 98,61 1,83
106 2027 8 2 99,61 99,90 0,49
107 2137 3 1 99,86 99,95 0,19
108 1763 25 34 98,58 98,08 3,35
109 2532 5 0 99,80 100,00 0,20
111 2124 1 1 99,95 99,95 0,09
112 2539 0 0 100,00 100,00 0,00
113 1795 0 0 100,00 100,00 0,00
114 1879 3 3 99,84 99,84 0,32
115 1953 0 0 100,00 100,00 0,00
116 2412 22 1 99,09 99,96 0,95
117 1535 0 0 100,00 100,00 0,00
118 2278 0 0 100,00 100,00 0,00
119 1987 0 1 100,00 99,95 0,05
121 1863 2 1 99,89 99,95 0,16
122 2476 0 1 100,00 99,96 0,04
123 1518 3 0 99,80 100,00 0,20
124 1619 7 0 99,57 100,00 0,43
200 2601 3 1 99,88 99,96 0,15
201 1963 80 0 95,92 100,00 4,08
202 2136 11 0 99,49 100,00 0,51
203 2980 56 50 98,12 98,32 3,56
205 2656 4 0 99,85 100,00 0,15
207 1860 13 0 99,30 100,00 0,70
208 2955 37 7 98,75 99,76 1,49
209 3004 0 1 100,00 99,97 0,03
210 2650 20 9 99,25 99,66 1,09
212 2748 0 0 100,00 100,00 0,00
213 3251 3 0 99,91 100,00 0,09
214 2261 5 1 99,78 99,96 0,27
215 3363 0 0 100,00 100,00 0,00
217 2208 3 1 99,86 99,95 0,18
219 2154 12 0 99,44 100,00 0,56
220 2048 0 0 100,00 100,00 0,00
221 2427 6 0 99,75 100,00 0,25
222 2483 4 0 99,84 100,00 0,16
223 2605 9 4 99,65 99,85 0,50
228 2053 7 14 99,66 99,32 1,02
230 2256 0 0 100,00 100,00 0,00
231 1571 0 0 100,00 100,00 0,00
232 1780 0 1 100,00 99,94 0,06
233 3079 2 0 99,94 100,00 0,06
234 2753 3 0 99,89 100,00 0,11
Totaux → 109492 374 176 99,66 99,84 0,50
101
Deuxième application : ondelettes gaus1 et gaus2.
100 2273 0 0 100,00 100,00 0,00
101 1865 1 3 99,95 99,84 0,21
102 2187 2 0 99,91 100,00 0,09
103 2084 5 0 99,76 100,00 0,24
104 2229 16 1 99,28 99,95 0,76
105 2572 6 31 99,77 98,81 1,44
106 2027 13 2 99,36 99,90 0,74
107 2137 13 3 99,39 99,86 0,75
108 1763 22 45 98,75 97,48 3,80
109 2532 5 0 99,80 100,00 0,20
111 2124 1 0 99,95 100,00 0,05
112 2539 0 0 100,00 100,00 0,00
113 1795 0 0 100,00 100,00 0,00
114 1879 10 2 99,47 99,89 0,64
115 1953 0 0 100,00 100,00 0,00
116 2412 28 1 98,84 99,96 1,20
117 1535 0 0 100,00 100,00 0,00
118 2278 0 0 100,00 100,00 0,00
119 1987 1 1 99,95 99,95 0,10
121 1863 2 0 99,89 100,00 0,11
122 2476 0 0 100,00 100,00 0,00
123 1518 0 0 100,00 100,00 0,00
124 1619 6 0 99,63 100,00 0,37
200 2601 3 1 99,88 99,96 0,15
201 1963 64 25 96,74 98,70 4,53
202 2136 14 1 99,34 99,95 0,70
203 2980 60 26 97,99 99,12 2,89
205 2656 6 0 99,77 100,00 0,23
207 1860 10 3 99,46 99,84 0,70
208 2955 26 6 99,12 99,80 1,08
209 3004 0 4 100,00 99,87 0,13
210 2650 22 8 99,17 99,70 1,13
212 2748 0 0 100,00 100,00 0,00
213 3251 5 0 99,85 100,00 0,15
214 2261 4 2 99,82 99,91 0,27
215 3363 2 1 99,94 99,97 0,09
217 2208 4 1 99,82 99,95 0,23
219 2154 18 1 99,16 99,95 0,88
220 2048 0 0 100,00 100,00 0,00
221 2427 7 1 99,71 99,96 0,33
222 2483 2 0 99,92 100,00 0,08
223 2605 14 0 99,46 100,00 0,54
228 2053 5 10 99,76 99,51 0,73
230 2256 0 0 100,00 100,00 0,00
231 1571 0 1 100,00 99,94 0,06
232 1780 0 2 100,00 99,89 0,11
233 3079 1 0 99,97 100,00 0,03
234 2753 1 0 99,96 100,00 0,04
Totaux → 109492 399 182 99,64 99,83 0,53
102
Tableau 4.5. Comparaison des résultats de la détection pour les

enregistrements 105, 108, 203 et 208.
Ondelettes cole2 et cole1 Ondelettes gaus2 et gaus1

N° Enr. NBT
FN FP TE (%) FN FP TE (%)
105 2572 11 36 1,83 6 31 1,44
108 1763 25 34 3,35 22 45 3,80
203 2980 56 50 3,56 60 26 2,89
208 2955 37 7 1,49 26 6 1,08
Total 10270 129 127 2,49 114 108 2,16
- la figure 4.27 présente un signal bruité avec des ondes P de grandes amplitudes. Ceci a
occasionné un taux d'erreur de 3.35%. Cependant, la majorité des complexes QRS ont été
localisés ;
- dans la figure 4.28, une extrasystole ventriculaire (ESV) de faible amplitude n'a pas été
détectée par l'algorithme. Ce signal (203.dat) reste l'un des signaux les plus difficiles à traiter
de la base de données MIT-BIH. Néanmoins, on a pu réduire le taux de non détection au
maximum.
4.6.3. Troisième application : ondelette complexe ccol

Dans cette troisième étude, nous avons utilisé l'ondelette fractionnaire complexe, ccol.
Son module est la fonction de Cole-Cole elle-même, sa partie réelle sera utilisée de la même
façon que l'ondelette réelle cole2 et sa partie imaginaire fera de même que l'ondelette cole1.
En conséquence, cette troisième analyse est quasi identique à la précédente sauf qu'on utilise
une ondelette fractionnaire complexe. D'après la figure 3.3 du chapitre 3, le choix fc = 0.5
nous confère une forme d'ondelette adéquate à la détection des complexes QRS vue la grande
similitude de sa partie réelle avec la forme de ces derniers, en plus, elle présente peu
d'oscillations dans sa partie imaginaire, ce qui facilite le test de passage par zéro.
103
2
(a)
0
-2
-4
0 500 1000 1500 2000 2500 3000
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000

(a) signal ECG, (b) annotation, (c) positions détectées par l'algorithme (cole1 et cole2).
.
0.5
(a)
-0.5
-1
0 500 1000 1500 2000 2500 3000 3500
1.5
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500

104
2
(a)
0
-2
-4
0 500 1000 1500 2000 2500 3000
1.5
1
FN FN
(b)
0.5
0
0 500 1000 1500 2000 2500 3000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000

0
(a)
-1
-2
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
FP
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000

105
1
(a)
-1
-2
2000 2500 3000 3500 4000 4500 5000
1.5
FN
1
(b)
0.5
0
2000 2500 3000 3500 4000 4500 5000
1.5
1
(c)
0.5
0
2000 2500 3000 3500 4000 4500 5000

106
Dans les figures 4.29 à 4.34, on représente en (a) une section du signal ECG, les signaux
en (b) et (c) montrent la partie réelle de la transformée en ondelettes pour les échelles 23 et 24
respectivement ; en (d), on a présenté les maxima du module du produit multi-échelles des
signaux en (b) et (c) et enfin en (e), on expose la partie imaginaire de la transformée en
ondelettes pour l'échelle 24. On remarque qu'un passage par zéro en (e) coïncide avec un
maximum en (d).

En deuxième étape de cette analyse, la règle de décision appliquée au signal à seuiller,
présent cette fois en (d), est pratiquement identique à la deuxième application : le maximum
en (d) dépassant le seuil de détection est considéré comme un pic R s'il indique un passage par
zéro, à la même position, dans le signal en (e). Ce pic R est, donc, validé avec marquage de
son instant d'occurrence. La recherche arrière des pics R de petites amplitudes, causéés par le
produit multi-échelle, est réalisée sur le signal à seuiller lui-même (en d). Le seuil arrière
utilisé est calculé de la même manière en utilisant l'équation (4.16).

Identiquement à l'application précédente, Les résultats du prétraitement, représentés sur
les figures 4.29 à 4.34, fournissent quelques exemples de test de passage par zéro utilisant la
partie imaginaire des coefficients d'ondelettes complexes :
- signal 100.dat : même pour le cas de l'ondelette ccol, la bonne qualité de cet
enregistrement a fait de sorte que le pic R, présent dans le signal à seuiller (d), coïncide avec
un passage par zéro dans la partie imaginaire des coefficients ondelettes en (e) (Fig. 4.29) ;
- signal 101.dat : là aussi, les transitions ne marquent pas de passage par zéro (Fig. 4.30).
Elles sont, donc, rejetées par l'algorithme ;
- signal 102.dat : la figure 4.31 indique que le pic R de grande amplitude l'emporte sur son
voisin du fait de sa dominance dans le signal à seuiller, en plus qu'il observe un passage par
zéro ;
- signal 105.dat : pour cet enregistrement, l'atténuation des pics R engendre toujours des
problèmes d'amplitude dans le signal à seuiller (Fig. 4.32). La recherche arrière reste une
solution pour la récupération des pics ratés ;
107
1
(a)
-1
0 100 200 300 400 500 600 700 800
1
(b)
-1
0 100 200 300 400 500 600 700 800
1
(c)
-1
0 100 200 300 400 500 600 700 800
0.5
(d)
0
0 100 200 300 400 500 600 700 800
0.5
(e)
-0.5
0 100 200 300 400 500 600 700 800
Fig. 4.29. (a) signal ECG : 100.dat,

(b) et (c) parties réelles de TOC(ECG) pour 23 et 24 (ccol),
(d) maxima du module du produit multi-échelle des signaux (b) et (c),
(e) passage par zéro testé sur la partie imaginaire pour 24 (ccol).
108
5
(a)
-5
0 500 1000 1500 2000 2500 3000
1
(b)
-1
0 500 1000 1500 2000 2500 3000
1
(c)
0
-1
0 500 1000 1500 2000 2500 3000
1.5
1
(d)
0.5
0
0 500 1000 1500 2000 2500 3000
2
(e)
0
-2
0 500 1000 1500 2000 2500 3000

109
1
(a)
-1
0 500 1000 1500 2000 2500 3000
0.5
(b)
-0.5
0 500 1000 1500 2000 2500 3000
1
(c)
-1
0 500 1000 1500 2000 2500 3000
0.4
(d)
0.2
0
0 500 1000 1500 2000 2500 3000
1
(e)
-1
0 500 1000 1500 2000 2500 3000

110
2
(a)
0
-2
0 500 1000 1500 2000 2500 3000 3500 4000
1
(b)
-1
0 500 1000 1500 2000 2500 3000 3500 4000
1
(c)
0
-1
0 500 1000 1500 2000 2500 3000 3500 4000
1
(d)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
1
(e)
0
-1
0 500 1000 1500 2000 2500 3000 3500 4000

111
- signal 108.dat : la figure 4.33 présente des ondes R éminentes, marquant leurs présences
dans les parties réelles des coefficients ondelettes. Le produit multi-échelle a permis de les
accentuer rendant, ainsi, la détection plus aisée malgré la présence d'ondes P de grandes
amplitudes ;
- signal 203.dat : identiquement à la deuxième application, le prétraitement a mis en
évidence les pics R malgré la présence du bruit haute fréquence. Le signal à seuiller en montre
des pics R dominants et vérifiant le test de passage par zéro (Fig. 4.34).
0
(a)
-1
0 500 1000 1500 2000 2500 3000

0.5
(b)
-0.5
0 500 1000 1500 2000 2500 3000
0.5
(c)
0
-0.5
0 500 1000 1500 2000 2500 3000
0.2
(d)
0.1
0
0 500 1000 1500 2000 2500 3000
0.5
(e)
-0.5
0 500 1000 1500 2000 2500 3000

112
2
(a)
-2
0 500 1000 1500 2000 2500
2
(b)
-2
0 500 1000 1500 2000 2500
2
(c)
-2
0 500 1000 1500 2000 2500
4
(d)
0
0 500 1000 1500 2000 2500
2
(e)
-2
0 500 1000 1500 2000 2500

113
Dans le tableau 4.6, on remarque des pourcentages d'erreur variant entre 0% et 3,69% avec
une moyenne de 0.58%, ce qui nous donne un taux de détection total "TDT" égal à 99.42% de
QRS repérés. En fait, la sensibilité "Se" est évaluée à 99.57%, tandis que la prédictibilité
positive "P+" est appréciée à 99.85%, et cela pour un nombre de battements total égal à
109492. Le même algorithme a été appliqué en utilisant l'ondelette de Morlet complexe
cmor1-0.5. Les résultats sont présentés dans le tableau 4.7. Les taux d'erreur "TE" se situent
entre 0% et 3,86% avec une moyenne de 0.72%, ce qui nous donne un taux de détection total
"TDT" égal à 99.28% de QRS repérés. Globalement parlant, l'algorithme proposé présente un
taux total de détection meilleur. Cependant, le tableau 4.8 montre des taux d'erreur globaux
similaires pour les enregistrements 105, 108, 203 et 208. On peut noter que l'ondelette
fractionnaire complexe offre, elle aussi, une solution attrayante pour la conception
d'algorithmes de traitement du signal ECG utilisant la transformée en ondelettes continue.
Les figures 4.35 à 4.39 exposent des échantillons de détection du complexe QRS concernant
les mêmes enregistrements précédents. Encore une fois, le signal 100.dat n'a pas été tracé :
- dans la figure 4.35, on certifie que le test de passage par zéro élimine les pics correspondant
aux sauts abrupts de la ligne de base ;
- l'enregistrement de la figure 4.36 est sans anomalie. Un taux d'erreur de 0% confirme la
simplicité de traitement pour ce signal ;
- là aussi, le test de passage par zéro participe à la réduction du taux de fausses détections ;
quoique, il reste sans intérêt face à une situation où les QRS sont ratés à cause de leurs
amplitudes faibles. Donc, le signal de la figure 4.37 reporte les déficiences pour ce cas ;
- la figure 4.38 présente des ondes P de grandes amplitudes. Ceci a occasionné, encore une
fois, un taux d'erreur de 3.35%. Cependant, la qualité du détecteur est acceptable ;
- dans la figure 4.39, l'extrasystole ventriculaire (ESV) de faible amplitude n'a pas, également,
été détectée par l'algorithme. Pourtant, et pour ce signal très bruité, on a obtenu un taux
d'erreur convenable.
114
Troisième application : ondelette complexe ccol.
100 2273 1 0 99,96 100,00 0,04
101 1865 2 0 99,89 100,00 0,11
102 2187 0 0 100,00 100,00 0,00
103 2084 3 0 99,86 100,00 0,14
104 2229 2 0 99,91 100,00 0,09
105 2572 30 32 98,83 98,76 2,41
106 2027 12 6 99,41 99,70 0,89
107 2137 9 1 99,58 99,95 0,47
108 1763 34 25 98,07 98,57 3,35
109 2532 2 0 99,92 100,00 0,08
111 2124 8 1 99,62 99,95 0,42
112 2539 0 0 100,00 100,00 0,00
113 1795 0 0 100,00 100,00 0,00
114 1879 15 1 99,20 99,95 0,85
115 1953 0 0 100,00 100,00 0,00
116 2412 25 1 98,96 99,96 1,08
117 1535 1 0 99,93 100,00 0,07
118 2278 0 0 100,00 100,00 0,00
119 1987 0 4 100,00 99,80 0,20
121 1863 2 0 99,89 100,00 0,11
122 2476 0 0 100,00 100,00 0,00
123 1518 0 0 100,00 100,00 0,00
124 1619 0 0 100,00 100,00 0,00
200 2601 3 2 99,88 99,92 0,19
201 1963 46 0 97,66 100,00 2,34
202 2136 14 0 99,34 100,00 0,66
203 2980 80 30 97,32 98,98 3,69
205 2656 5 0 99,81 100,00 0,19
207 1860 28 0 98,49 100,00 1,51
208 2955 21 14 99,29 99,53 1,18
209 3004 3 5 99,90 99,83 0,27
210 2650 26 5 99,02 99,81 1,17
212 2748 0 0 100,00 100,00 0,00
213 3251 7 0 99,78 100,00 0,22
214 2261 9 8 99,60 99,65 0,75
215 3363 0 3 100,00 99,91 0,09
217 2208 4 1 99,82 99,95 0,23
219 2154 6 0 99,72 100,00 0,28
220 2048 0 0 100,00 100,00 0,00
221 2427 3 3 99,88 99,88 0,25
222 2483 38 2 98,47 99,92 1,61
223 2605 6 0 99,77 100,00 0,23
228 2053 21 22 98,98 98,93 2,09
230 2256 0 2 100,00 99,91 0,09
231 1571 0 0 100,00 100,00 0,00
232 1780 3 0 99,83 100,00 0,17
233 3079 3 0 99,90 100,00 0,10
234 2753 0 0 100,00 100,00 0,00
Totaux → 109492 472 168 99,57 99,85 0.58
115
Troisième application : ondelette complexe cmor1-0.5.
100 2273 0 0 100,00 100,00 0,00
101 1865 1 3 99,95 99,84 0,21
102 2187 0 0 100,00 100,00 0,00
103 2084 3 0 99,86 100,00 0,14
104 2229 5 4 99,78 99,82 0,40
105 2572 28 35 98,91 98,64 2,45
106 2027 19 1 99,06 99,95 0,99
107 2137 10 21 99,53 99,02 1,45
108 1763 39 29 97,79 98,35 3,86
109 2532 12 2 99,53 99,92 0,55
111 2124 5 4 99,76 99,81 0,42
112 2539 0 0 100,00 100,00 0,00
113 1795 1 0 99,94 100,00 0,06
114 1879 12 24 99,36 98,73 1,92
115 1953 0 0 100,00 100,00 0,00
116 2412 25 4 98,96 99,83 1,20
117 1535 0 1 100,00 99,93 0,07
118 2278 0 1 100,00 99,96 0,04
119 1987 0 1 100,00 99,95 0,05
121 1863 2 1 99,89 99,95 0,16
122 2476 0 1 100,00 99,96 0,04
123 1518 3 0 99,80 100,00 0,20
124 1619 2 0 99,88 100,00 0,12
200 2601 3 3 99,88 99,88 0,23
201 1963 51 1 97,40 99,95 2,65
202 2136 9 1 99,58 99,95 0,47
203 2980 53 42 98,22 98,59 3,19
205 2656 5 0 99,81 100,00 0,19
207 1860 42 8 97,74 99,56 2,69
208 2955 32 6 98,92 99,8 1,29
209 3004 0 3 100,00 99,90 0,10
210 2650 34 5 98,72 99,81 1,47
212 2748 0 0 100,00 100,00 0,00
213 3251 5 0 99,85 100,00 0,15
214 2261 6 6 99,73 99,73 0,53
215 3363 13 0 99,61 100,00 0,39
217 2208 13 11 99,41 99,50 1,09
219 2154 6 0 99,72 100,00 0,28
220 2048 0 0 100,00 100,00 0,00
221 2427 6 0 99,75 100,00 0,25
222 2483 5 3 99,80 99,88 0,32
223 2605 55 1 97,89 99,96 2,15
228 2053 33 29 98,39 98,58 3,02
230 2256 0 0 100,00 100,00 0,00
231 1571 0 0 100,00 100,00 0,00
232 1780 0 2 100,00 99,89 0,11
233 3079 1 0 99,97 100,00 0,03
234 2753 1 0 99,96 100,00 0,04
Totaux → 109492 540 253 99,51 99,77 0,72
116
Tableau 4.8. Comparaison des résultats de la détection pour les

enregistrements 105, 108, 203 et 208.
Ondelette ccol Ondelette cmor1-0.5

N° Enr. NBT
105 2572 30 32 2,41 28 35 2,45
108 1763 34 25 3,35 39 29 3,86
203 2980 80 30 3,69 53 42 3,19
208 2955 21 14 1,18 32 6 1,29
Total 10270 165 101 2,59 152 112 2,57
2
(a)
-2
-4
0 500 1000 1500 2000 2500 3000 3500
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500

(a) signal ECG, (b) annotation, (c) positions détectées par l'algorithme (ccol).
117
(a) 0.5
-0.5
-1
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000

2
(a)
-2
-4
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
1.5
FN FN FN FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

118
0
(a)
-1
-2
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000

1
(a)
-1
-2
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
1.5
FN FN
1
(b)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
1.5
1
(c)
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

119
4.6.4. Discussion et comparaison avec d'autres algorithmes

Une comparaison avec des algorithmes évoqués dans la littérature est menée en vue d'une
évaluation des performances de nos algorithmes de détection proposés. Les principaux
résultats sont reportés sur le tableau 4.9. La première application, utilisant l'ondelette cole2,
n'a pas été citée car elle présente, clairement, un taux de détection non compétitif. Cependant,
on mentionnera la version 2 améliorée, utilisant les deux ondelettes cole2 et cole1 et la
version 3 utilisant l'ondelette complexe ccol. Les algorithmes, mis en compétition, utilisent
différentes méthodes d'analyse et sont les plus cités dans la littérature. On leur adjoint deux
autres algorithmes qui traitent, quant à eux, la notion de filtrage basée sur le principe de la
dérivation non entière. En comparant ces résultats, on note que les performances de nos
algorithmes sont proches de celles des détecteurs les plus compétitifs.
D'après la référence [57], les auteurs ont exposé une méthode de détection du complexe QRS.
Ils ont appliqué leur algorithme sur quelques enregistrements (de 100 à 107 et 109). Une
étude comparative avec des algorithmes proposés dans la littérature a été faite sur l'un des
enregistrements les plus bruités : 105.dat. On a tiré profit de ces résultats publiés pour mener
notre test comparatif. La même démarche a été suivie pour l'enregistrement 108.dat en
comparant nos résultats avec d'autres algorithmes. Les performances, reportées sur le tableau
4.10, indiquent un bon comportement de nos algorithmes par rapport aux autres méthodes
invoquées.
120
Tableau 4.9. Comparaison des performances des algorithmes de détection

proposés avec celles citées dans la littérature.
Nbre total de
Méthode utilisée FN FP TE (%) Observations
battements
Pan et al. [2] 109809 * 277 507 0,71 24 heures
Hamilton et al. [16] 109269 340 248 0,54 24 heures
Li et al. [8] 104184 * 112 65 0,17 214, 215 exclus
Poli et al. [46] 109963 441 545 0,90 24 heures
Lee et al. [14] 109481 335 137 0,43 24 heures
Bahoura et al. [9] 109809 * 184 * 135 * 0,29 24 heures
Ferdi et al. [15] 109492 256 146 0,37 24 heures
Christov et al. [58] 110050 294 215 0,46 24 heures
Martinez et al. [10] 109428 220 153 0,34 24 heures
Chen et al. [19] 102654 459 529 0,96 106, 108, 228 exclus
Yeh et al. [59] 116137 166 58 0,19 24 heures
Benmalek et al. [50] 107632 156 153 0,28 207 exclu
Algorithme proposé 2 109492 374 176 0,50 24 heures
Algorithme proposé 3 109492 442 195 0,58 24 heures
* Valeurs recalculées à cause des anomalies qui existent dans les résultats fournis par les auteurs.
121
Tableau 4.10. Comparaison des performances des algorithmes de détection

pour les enregistrements 105 et 108.
Enregistrement
Méthode utilisée 105 108
Pan et al. [2] 22 67 3,46 22 199 12,54
Hamilton et al. [16] 22 53 2,91 47 50 5,50
Xue et al. [45] 22 40 2,41 16 25 2,33
Li et al. [8] 13 15 1,09 15 13 1,59
Poli et al. [46] 5 86 3,54 25 143 9,53
Lee et al. [14] 4 41 1,75 11 9 1,13
Bahoura et al. [9] 15 27 1,63 29 20 2,78
Afonso et al. [5] 16 53 3,22 - - -
Ferdi et al. [15] 14 16 1,17 25 21 2,61
Chen et al. [19] 5 78 3,23 * * *
Zhang et al. [57] 0 21 0,99 * * *
Yeh et al. [59] 17 0 0,66 0 6 0,34
Benmalek et al. [50] 15 33 1,87 6 9 0,85
Algorithme proposé 2 11 36 1,83 25 34 3,35
Algorithme proposé 3 30 32 2,41 34 25 3,35
* Enregistrement 108 non considéré par les auteurs.
122
4.7. Conclusion
Dans ce chapitre, nous avons développé un algorithme de détection du complexes QRS

basé sur la transformée en ondelettes. Les ondelettes utilisées sont fondées sur la distribution
de Cole-Cole assez utilisée dans la modélisation des systèmes fractionnaires. Le choix du
paramètre m, qui représente l'ordre du système fractionnaire, est basé sur la maximisation du
rapport signal sur bruit (SNR). La transformée en ondelettes appliquée produit plusieurs
signaux correspondant aux échelles de décomposition les plus favorables à la détection du
complexe QRS. Leur choix est basé sur la bande passante du complexe QRS. Sur ces signaux,
on a opéré une transformation non linéaire traduite par un produit multi-échelle. Puis, la
méthode des maxima du module appliquée au produit multi-échelle nous a permis de générer
le signal à seuiller. Des seuils de détection adaptatifs, en amplitude et en temps, sont calculés
pour une meilleure détection du complexe QRS en minimisant les fausses alarmes et les non
détections. Plusieurs ondelettes ont été appliquées sur les signaux tests de la base de données
standard MIT-BIH : l'ondelette cole2 seule, puis cole2 et cole1 afin d'améliorer la détection et
minimiser les fausses alarmes en réalisant un test de passage par zéro et enfin, l'ondelette
complexe ccol où on a utilisé la partie réelle des coefficients d'ondelettes pour la génération
du signal à seuiller et leur partie imaginaire pour un test de passage par zéro. D'autres
applications ont été faites en se servant des ondelettes présentant des similitudes avec nos
ondelettes fractionnaires à savoir : gaus2, gaus1 et cmor pour une éventuelle comparaison.
Ces trois applications ont permis de détecter plus de 99% des complexes QRS. Cet
aboutissement nous permet de classer ces algorithmes parmi ceux qui présentent un taux
supérieur à 99% de détection.
123
Conclusion générale
Conclusion Générale
124
1. Conclusion
Dans cette thèse, nous avons abordé le problème de la détection du complexe QRS du
signal ECG par une approche basée sur la transformée en ondelettes utilisant des ondelettes
fractionnaires réelles et complexes. Ces ondelettes ont été construites par dérivation et
modulation de la distribution de Cole-Cole. Cette fonction de Cole-Cole est largement utilisée
dans la modélisation mathématique des systèmes d'ordre fractionnaires. Plus précisément, il
s'agit, dans le domaine du traitement de signal, d'ondelettes fractionnaires permettant de
détecter les instants d'occurrence des pics R des signaux ECG, et dans le domaine
mathématique, d'une nouvelle famille d'ondelettes avec des facultés acceptables. Il existe bien
d'autres travaux antécédents et similaires donnant des résultats meilleurs, mais l'originalité de
l'approche que nous avons présentée est qu'elle est basée, seulement, sur ces ondelettes
fractionnaires sans avoir recours à d'autres techniques supplémentaires (filtrage linéaire et non
linéaire, réseaux de neurones, logique floue, algorithmes génétiques, ...).
Nous avons, tout d'abord, donné certains concepts sur l'électrophysiologie cardiaque et le
fonctionnement mécanique et électrique du cœur. Le signal électrique cardiaque (ECG) est la
représentation des potentiels dus aux courants électriques qui circulent dans le cœur. Il est
enregistré à partir de la peau par des électrodes.
Nous avons, ensuite, introduit la théorie des ondelettes. Les définitions et les propriétés de ces
dernières ont été largement développées en s'appuyant sur des exemples de familles
d'ondelettes les plus connues dans la littérature.
En tenant comptes de ces définitions et propriétés, nous avons présenté notre famille
d'ondelettes fractionnaires basées sur la distribution de Cole-Cole. Elles sont construites par
dérivation et modulation de cette fonction. Pour illustrer leurs facultés et propriétés, nous
avons proposé une analyse continue par transformée en ondelettes de quelques types de
signaux qui présentent des discontinuités et des singularités, bref des irrégularités
occasionnelles. Cela nous a permis de dévoiler leurs capacités à se focaliser sur ces
singularités et ces discontinuités en permettant une meilleure détection et une meilleure
description.
Après cette étude préliminaire, nous avons développé un algorithme de détection du
complexes QRS basé sur la transformée en ondelettes. Les ondelettes utilisées constituent la
famille d'ondelettes fractionnaires créées. En se basant sur la bande passante du complexe
QRS, la transformée en ondelettes est appliquée pour des échelles de décomposition les plus
125
favorables à la détection du complexe QRS. Sur les signaux obtenus, une transformation non
linéaire est réalisée en accomplissant leur produit afin d'accentuer les pics R et réduire, par la
même occasion, l'effet du bruit résiduel. Le signal à seuiller est obtenu en appliquant la
méthode des maxima du module de la transformée en ondelettes sur ce produit de manière à
obtenir seulement un seul pic pour chaque complexe QRS. Des seuils de détection adaptatifs,
en amplitude et en temps, sont calculés pour une meilleure détection du complexe QRS en
minimisant les fausses alarmes et les non détections.
Trois ondelettes ont été mises en œuvre sur les signaux tests de la base de données standard
MIT-BIH : l'ondelette cole2 seule, puis cole2 et cole1 et enfin, l'ondelette complexe ccol.
L'application avec l'ondelette cole2 n'a pas révélé des résultats prometteurs surtout avec les
signaux tests les plus difficiles, ce qui nous a poussé à les écarter. L'utilisation de l'ondelette
cole2 associée à l'ondelette cole1 ne laisse aucun doute sur l'augmentation de performance en
terme de pourcentage de détection et de réduction du taux de fausse alarme qu'elle entraîne.
Ceci montre bien que le test de passage par zéro, introduit dans l'étape de décision, a un rôle
primordial sur la qualité du détecteur. C'est cette même méthode qui est employée dans la
troisième application utilisant l'ondelette complexe ccol en substituant, respectivement, les
ondelettes cole2 et cole1 par la partie réelle de ccol et sa partie imaginaire. Ces trois
applications ont permis de détecter plus de 99% des complexes QRS. Cet aboutissement nous
permet de classer ces algorithmes parmi ceux qui présentent un taux supérieur à 99% de
détection. Pour une première comparaison, des analyses ont été faites en se servant des
ondelettes présentant des similitudes avec nos ondelettes fractionnaires, à savoir : gaus2,
gaus1 et cmor. Les résultats établis, pour les trois ondelettes, montrent une certaine analogie
en ce qui concerne le taux de détection total et une légère primauté des ondelettes gaus2,
gaus1 et cmor en consultant les résultats obtenus pour les signaux tests les plus difficiles de la
base de données. En comparant les performances de nos algorithmes exposés avec celles des
méthodes les plus populaires en ce domaine et utilisant la même base de signaux tests, nos
solutions présentent quelques avantages et peuvent être réparties parmi les résultats les plus
performants.
126
2. Perspectives et suggestions
Quant aux perspectives et suggestions de travaux futurs de recherche, elles s'inscrivent

dans la continuité des travaux de cette thèse. Tout en restant dans le domaine du calcul
fractionnaire, elles peuvent être comme suit :
• La méthode de détection que nous avons développée peut être étendue à la caractérisation
du battement cardiaque tout entier : de la détection des ondes P et T à la mesure des différents
intervalles et durées des ondes caractéristiques du signal ;
• Nos ondelettes construites ne sont utilisables que dans le cas continu car elles ne sont pas
orthogonales et ne peuvent, donc, pas bénéficier des algorithmes rapides de décomposition.
Ces algorithmes sont utilisés, notamment, dans la compression et le débruitage des signaux.
On peut développer cette construction d'ondelettes fractionnaires en cherchant à concevoir des
ondelettes fractionnaires orthogonales voire bi-orthogonales issues de cette distribution de
Cole-Cole.
127
Références
Références
128
Références
[1] A.K. Z129-132iarani and A. Konrad. A nonlinear adaptive method of elimination of

power line interference in ECG signals. IEEE Transaction on Biomedical Engineering,
49(6):540-547, June 2002.
[2] J. Pan and W.J. Tompkins. A real-time QRS detection algorithm. IEEE Trans. Biomed.
Eng., 32: 230-236, 1985.
[3] R. Silipo and C. Marchesi. Artificial neural networks for automatic ECG analysis. IEEE
Transactions on Signal Processing, 46(5), pp. 1417-1425. 1998.
[4] O.T. Inan, L. Giovangrandi and G.T.A. Kovacs. Robust neural-network-based
classification premature ventricular contractions using wavelet transform and timing
interval features. IEEE Trans. Biomed. Eng., pp. 2507-2515, 2006.
[5] V. Afonso, W.J. Tompkins, T. Nguyen and L. Shen. ECG beat detection using filter
banks. IEEE Transactions on Biomedical Engineering, 46, pp. 192-202, 1999.
[6] M.I. Vai and L.G. Zhou. Beat-to-beat ECG ventricular late potentials variance detection
by filter bank and wavelet transform as beat-sequence filter. IEEE Transactions on
Biomedical Engineering, 51, N° 8, pp. 1407-1413, 1999.
[7] M. Akay. Time frequency and wavelets in biomedical signal processing. Piscataway, NJ:
IEEE Press, 1998.
[8] C. Li, C. Zheng and C. Tai. Detection of ECG characteristic points using wavelet
transforms. IEEE Trans. Biomed. Eng.; 42: 21-28, 1995.
[9] M. Bahoura, M. Hassani and M. Hubin. DSP implementation of wavelet transform for
real time ECG waveforms detection and heart rate analysis. Comput. Methods Programs
Biomed.; 52 (1): 35-44, 1997.
[10] J.P. Martinez, R. Almeida, S. Olmos, A.P. Rocha and P. Laguna. A wavelet-based ECG
delineator: evaluation on standard databases. IEEE Trans. Biomed. Eng.; 51: 570-81,
2004.
[11] A. Josko and R.J. Rak. Effective simulation of signals for testing ECG analyzer. IEEE
Transactions on Instrumentation and Measurement, Vol. 54, N°3, pp. 1019-1024, 2005.
[12] W. Zong and D. Jiang. Automated ECG rhythm analysis using fuzzy reasoning.
Computers in Cardiology, Vol. 25, pp. 69-72, 1998.
[13] R. Dubois, Application des nouvelles méthodes d'apprentissage à la détection précoce
d'anomalies en électrocardiographie, Thèse de Doctorat, Université Paris VI, 2004.
[14] J. Lee, K. Jeong, J. Yoon and M. Lee. A simple real-time QRS detection algorithm. in
Proc. 18th Ann. Int. Conf. IEEE Eng. Med. Biol. Soc., 1396-1398, 1996.
129
Références
[15] Y. Ferdi, J.P. Herbeuval and A. Charef. R-wave detection using fractional digital
differentiation. ITBM-RBM, 24: 273-280, 2003.
[16] P.S. Hamilton and W.J. Tompkins. Quantitative investigation on QRS detection rules
using the MIT/BIH arrhythmia database. IEEE Trans. Bio. Eng., 33: 1157-1165, 1986.
[17] S. Kadambi, R. Murray and G.F. Boudreaux-Bartels. Wavelet transform-based QRS
complex detector. IEEE Trans. Biomed. Eng.; 47(7), pp. 838-848, 1999.
[18] I. Romero Legarreta et al. R-wave detection using continuous wavelet modulus maxima.
Computer in Cardiology; 30: 565-568, 2003.
[19] S-W Chen, H-C Chen and H-L Chan. A real-time QRS detection method based on
moving-averaging incorporating with wavelet denoising. Comput. Methods Programs
Biomed.; 82, pp. 187-195, 2006.
[20] J.C. Moraes, M.M. Freitas, F.N. Vilani and E.V. Costa. A QRS complex detection
algorithm using electrocardiogram leads, Computers in Cardiology, pp. 205-208, 2002.
[21] O. Fokapu and J.P. Girard. Evolution temporelle et fréquentielle de l'ECG : analyse
battement par battement. ITBM, pp. 102-112, 1994.
[22] R. Le Page. Détection et analyse de l'onde P d'un ECG: application au dépistage de la
fibrillation auriculaire. Thèse de Doctorat, Université de Bretagne occidentale, 2003.
[23] B-U. Köhler, C. Henning and R. Orglmeister. The principles of software QRS detection.
IEEE Eng. in Med. Biol. Mag.; 21(1) : 42-57, 2002.
[24] D. Tchiotsop. Modélisations polynomiales des signaux ECG. Applications à la
compression. Thèse de Doctorat, Institut Polytechnique de Lorraine, université de
Nancy, 2007.
[25] H.H. Sun, A. Charef, Y.Y. Tsao, and B. Onaral. Analysis of polarization dynamics by
singularity decomposition method. Ann. Biomed. Eng., 20, pp 321-335, 1992.
[26] G.B. Moody and R.G. Mark. The MIT-BIH arrhythmia database on CD-ROM and
software for use with it. In Computers in Cardiology; IEEE Computer Society Press,
185-188, 1990.
[27] D. Dubin. Lecture Accélérée de l'ECG. Maloine édition, Paris, 1999.
[28] A. R. Houghton and D. Gray. Maîtriser l’ECG - de la théorie à la clinique. Masson,
2000.
[29] J. R. Hampton. L’ECG Facile. Sixième édition, EDISEM, Maloine, Paris, 2004.
[30] J. Adamec and R. Adamec. ECG Holter. Manuel d'interprétation électrocardiographique.
Médecine & Hygiène, 2000.
130
Références
[31] S. Mallat. Une exploration des signaux en ondelettes. Editions de l'Ecole Polytechnique,
Ellipses édition, Paris, 2000.
[32] B. Burke Hubbard. Ondes et Ondelettes. La saga d’un outil mathématique. Pour la
Science, Belin, Paris, 1995.
[33] Y. Meyer. Ondelettes et opérateurs I - Ondelettes. Hermann, Paris, 1990.
[34] M. Misiti, Y. Misiti, G. Oppenheim, and J.M. Poggi. Les ondelettes et leurs applications.
Edition Hermès Science, Paris, 2003.
[35] P. Flandrin. Temps fréquence. Traité des Nouvelles Technologies, série Traitement du
Signal. Hermès, Paris, 1993.
[36] A. Ouafi. Compression d'images fixes biomédicales par les transformées en ondelettes
associées aux algorithmes de quantification vectorielle et de codage entropique. Thèse
de Magister, Université Mohamed Khider, Biskra, 2001.
[37] S. Mallat. A theory of multiresolution signal decomposition: the wavelet representation.
IEEE Trans. Pattern Anal. Mach. Intel., vol.11, no. 7, pp. 674-693, July 1989.
[38] S. Mallat and W.L. Hwang. Singularity detection and processing with wavelets. IEEE
Trans. Inf. Theory, 38, pp 617-643, 1992.
[39] O. Le Cadet. Méthodes d'ondelettes pour la segmentation d'images. Applications à
l'imagerie médicale et au tatouage d'images. Thèse de Doctorat, Institut National
Polytechnique de Grenoble, septembre 2004.
[40] H. Nezzari, A. Charef and M. Benmalek. Introduction d’une fenêtre de pondération
d’ordre fractionnaire. In the Proceedings of CNIE’04, Oran, Algérie, décembre 2004.
[41] A. Charef. Modeling and analog realization of the fundamental linear fractional order
differential equation. Nonlinear Dynamics, N° 46, N°1-2, October 2006.
[42] S. Mallat. Zero crossings of wavelet transform. IEEE Trans. Infor. Theory, 31, pp 1019-
1033, 1991.
[43] F. Abdelliche and A. Charef. Application d’une nouvelle famille d’ondelettes
fractionnaires basées sur la fonction de Cole-Cole. 1ère Conférence Nationale sur les
Systèmes d’Ordre Fractionnaire et leurs Applications, 18-19 Mai 2010, Skikda, Algérie.
[44] G.M. Friesen, T.C. Jannett, M.A. Jadallah, S.L. Yates, S.R. Quint and H.T. Nagle. A
comparison of the noise sensitivity of nine QRS detection algorithms. IEEE Trans.
Biomed. Eng.; 37: 85-98, 1990.
[45] Q. Xue, Y. H. Hu, and W. J. Tompkins. Neural-network-based adaptive matched
filtering for QRS detection. IEEE Trans. Biomed. Eng., vol. 39, pp. 317-329, 1992.
131
Références
[46] R. Poli, S. Cagnoni and G. Valli. Genetic design of optimum linear and nonlinear QRS
detectors. IEEE Trans. Biomed. Eng., 42: 1137-1141, 1995.
[47] P. Augustyniak. Time-frequency modelling and discrimination of noise in the
electrocardiogram, Physiol. Meas., Vol.24, pp. 753-767, 2003.
[48] N.V. Thakor, J.G. Webstor and W.J. Tompkins. Estimation of QRS complex power
spectra for design of a QRS filter. IEEE Trans. Biomed. Eng.; Vol. 31, 11: 702-705,
1984.
[49] Y. Ferdi. Analyse et compression du signal électrocardiographique (ECG) par des
algorithmes basés sur la dérivation non entière. Thèse de Doctorat. Université de
Constantine, Algérie, 2001.
[50] M. Benmalek and A. Charef. Digital fractional order operators for R-wave detection in
ECG signal. IET proceedings on Signal Processing, Vol. 3, issue 5, pp. 381-391, 2009.
[51] A. I. Manriquez. Segmentation de l'électrocardiogramme pour la modélisation de la
dynamique du QT lors de l'exercice du handgrip. Thèse de Doctorat, université de
Rennes 1, 2008.
[52] F. Abdelliche, A. Charef, M.L. Talbi and M. Benmalek. A fractional wavelet for QRS
detection. 2nd International Conference ICTTA'06, 24-28 April 2006, Damascus, Syria.
[53] F. Abdelliche and A. Charef. Fractional wavelet for R-wave detection in ECG signal.
Critical Reviews in Biomedical Engineering, 36(2), pp. 79-91, 2008.
[54] F. Abdelliche and A. Charef. R-Peak detection using a complex fractional wavelet.
ELECO 2009, 6th International Conference on Electrical and Electronics Engineering, 5-
8 November, Bursa, Turkey, 2009.
[55] R. Jané, P. Laguna, P. Caminal and H. Rix. Adaptive filtering of high-resolution ECG
signals. Computers in Cardiology Proceedings, 23-26 Sept.; 347-350, 1990.
[56] B.M. Sadler and A. Swami. Analysis of multiscale products for step detection and
estimation. IEEE Trans. Infor. Theory; 45: 1043-1051, 1999.
[57] F. Zhang and Y. Lian. Novel QRS Detection by CWT for ECG Sensor. IEEE
Biomedical Circuits and Systems Conference, BIOCAS 2007, pp. 211-214, 2007.
[58] I. Christov. Real time electrocardiogram QRS detection using combined adaptive
threshold, BioMedical Engineering OnLine, vol.3, no.28, 2004.
[59] Y-C Yeh and W-J Wang. QRS complexes detection for ECG signal: The difference
operation method. Computer Methods and Programs in Biomedicine (91), pp. 245-254,
2008.
132
Références
Résumé
L'électrocardiogramme (ECG) est un signal qui représente les variations de l'activité

électrique du cœur en fonction du temps. Le complexe QRS est l'onde la plus convoitée dans
l'analyse de l'ECG. La détection du complexe QRS est d’une importance capitale dans les
systèmes de traitement automatique de l’ECG. Les difficultés de la détection de complexes QRS
résident, essentiellement, dans la grande variabilité de la forme du signal et la présence de bruits
d’origines diverses. De nombreux algorithmes de détection existent dans la littérature.
L'opération est réalisée, en général, en deux étapes : un préprocesseur et une règle de décision.
Le préprocesseur fournit des suites d'impulsions qui seront classées comme des complexes QRS
ou du bruit. Le travail réalisé dans cette thèse présente un algorithme de traitement du signal
ECG et de détection du complexe QRS que nous avons développé en se basant sur la
transformée en ondelettes continue utilisant des ondelettes fractionnaires. Ces ondelettes
fractionnaires sont des ondelettes conçues par simple dérivation ou par modulation de la
distribution de Cole-Cole qui est largement utilisée dans la modélisation mathématique des
systèmes d'ordre fractionnaire. Deux expériences de prétraitement et de détection de l'onde R
sont présentées en utilisant la base de données MIT-BIH. La première expérience utilise une
ondelette fractionnaire réelle et la seconde utilise une ondelette fractionnaire complexe. Les
performances des algorithmes sont mesurées en terme de non détection, fausse alarme et
retard de détection. Les résultats obtenus étaient très satisfaisants et elles sont comparables à
celles des algorithmes les plus performants testés sur cette base de données.
Mots-clés : Electrocardiogramme (ECG), distribution de Cole-Cole, ondelette fractionnaire,

complexe QRS, transformée en ondelettes.
133
Références
Abstract
The electrocardiogram (ECG) is the signal that represents the variations of the electrical
activity of the heart as function of time. The QRS complex is the most covetous wave in the
ECG analysis. QRS detection is of vital importance in the ECG automatic processing. The
QRS detection difficulties lie, essentially, in the physiological and morphological variability
of the ECG signal along with the noise contamination from various sources. Numerous
detection algorithms exist in the literature. The detection operation is, in general, realized in
two steps: a pre-processing step and a detection step. The pre-processing step gives a train of
impulsions which will be classified as QRS complexes or noise. The work realized in this
thesis presents an ECG signal processing and QRS complex detection algorithm based on the
continuous wavelet transform using proposed fractional wavelets. These fractional wavelets
are wavelets derived from the derivatives and modulation of the Cole-Cole distribution
function of relaxation times which is widely used in mathematical modelling of fractional
order systems. Two pro-processing and R wave detection experiments have been evaluated
using the MIT-BIH database. A real fractional wavelet has been used in the first experiment
and the second one has used a complex fractional wavelet. The proposed algorithms
performances have been measured in terms of non detection, false alarm, detection delay and
the number of mathematical operations. The obtained results have been very satisfactory and
comparable to the most high performance algorithms which use the MIT/BIH database.
Key-words: Electrocardiogram, Cole-Cole distribution, fractional wavelet, QRS complex,

wavelet transform.
134
Références

.

! (ECG)

QRS
' ( ) .ECG
% &
# $ ! QRS

QRS
2! ' ( 1/ .ECG
* + % ,- & . /0 !-
3%# 4- & 3 $ 5'
* &

6 7 - $ &
.QRS
' ( &!
1 $ .'
/ 2 '
$1 ./7
1 8 ECG
* ) $1 : %
5 ' 1 8)
%
# <2! 8 .:$; - QRS
7/ 2 2 )) )
<2! .
) $ 1) QRS
' ( ECG
* %

?2
1) Cole-Cole ; - = =
' >-
#
QRS
' ( ECG
* $1
$ 0 .
) ,@ ;
%
) $ 1) 5 #
$ .MIT-BIH database
8 )
2 ( 3( 8' : % AB
) : C .

) $
(
:
;
1 $ ' /% : .(
>
. ' <2! 5' QRS
'

3
) $ 3Cole-Cole 3(ECG)
:

.$ % 3QRS
135

ABD5931

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

ABD5931

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

Ministère de l'Enseignement Supérieur et de la Recherche Scientifique

UNIVERSITE MENTOURI DE CONSTANTINE

Présentée pour obtenir le diplôme de

CONTRIBUTION AU DIAGNOSTIC DES SIGNAUX ELECTROCARDIOGRAPHIQUES

A ma femme et mes beaux-parents,

A mes frères, mes sœurs, mes belles-sœurs, mes beaux-frères,

A mes nièces et mes neveux,

A tous mes amis,

Table des matières

Chapitre 1 : Electrophysiologie cardiaque 6

1.5.1.3. Dérivations thoraciques (précordiales) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

Chapitre 2 : Les ondelettes : définitions et propriétés 24

2.4. Botanique des familles d'ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

Chapitre 3 : Introduction aux ondelettes fractionnaires 50

3.3.3. Repérer les complexes QRS de l'ECG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

Chapitre 4 : Ondelettes fractionnaires pour la détection du complexe QRS 69

4.6.2.2. Règle de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

Liste des figures

1.1. Coupe schématique du cœur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.12. Fonction d’échelle (à gauche) et ondelette (à droite) de Haar : haar . . . . . . . . . . . . . . . . . . . 45

4.2. Densité spectrale de puissance de l'ECG et de ses différentes composantes . . . . . . . . . . . . . 72

2.1. Liste des familles d'ondelettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

Les maladies cardiovasculaires constituent un problème majeur de santé publique. Le

De nombreux algorithmes de détection existent dans la littérature [14-20]. La méthode

L’objectif de notre travail est d'employer la distribution de Cole-Cole pour la conception

Le deuxième chapitre interprète les définitions de la transformée en ondelettes et les

Les ondelettes fractionnaires construites sont introduites en troisième chapitre. Il donne un

Le système cardiovasculaire assure la circulation du sang dans l’organisme et permet

1.2. Anatomie du coeur

1.3. Activité mécanique du coeur

1.3.1. Trajet sanguin

Fig. 1.1. Coupe schématique du cœur.

1.3.2. Battement cardiaque

1.4. Activité électrique du cœur

1.4.2. Tracé électrique du cœur

1.4.3. Définition d'un battement cardiaque standard

Fig. 1.2. Propagation de l'impulsion dans le cœur.

Fig. 1.3. Tracé électrique du cœur.

1.4.4. Fréquence cardiaque

1.4.5. Rythme cardiaque

circulation sanguine et distribution d'oxygène dans l'organisme. Cela engendre moins de

Fig. 1.4. Description d'un battement cardiaque.

1.5. Electrocardiographie de surface

1.5.1. Dérivations standard

1.5.1.1. Dérivations bipolaires des membres

Fig. 1.5. Disposition des électrodes des dérivations bipolaires.

Fig. 1.6. Triangle d'Einthoven.

1.5.1.2. Dérivations unipolaires des membres

Fig. 1.7. Circuit utilisé pour l'acquisition des dérivations augmentées.

1.5.1.3. Dérivations thoraciques (précordiales)

1.5.2. L'ECG normal

1.5.2.1. Durées des déflexions et intervalles

1.5.2.2. Amplitude des déflexions

Plan frontal Plan horizontal

Le rapport R/S doit rester :

- Onde Q : inférieure à 3 mm en V5 et V6 et, généralement, inférieure à 25% de l'onde R

1.5.3. Tracé Holter

1.5.4. Artefacts visibles sur l’ECG

mouvements du patient, mauvaise technique de l’opérateur, des défauts mécaniques de

1.6. Troubles du rythme et de la conduction cardiaque

Les dysfonctionnements du cœur peuvent avoir différentes origines et conséquences. Ils

Fig. 1.9. Signal ECG avec bruit musculaire.